JP7095849B1 - アイウェア仮想試着システム、アイウェア選定システム、アイウェア試着システムおよびアイウェア分類システム - Google Patents
アイウェア仮想試着システム、アイウェア選定システム、アイウェア試着システムおよびアイウェア分類システム Download PDFInfo
- Publication number
- JP7095849B1 JP7095849B1 JP2021192164A JP2021192164A JP7095849B1 JP 7095849 B1 JP7095849 B1 JP 7095849B1 JP 2021192164 A JP2021192164 A JP 2021192164A JP 2021192164 A JP2021192164 A JP 2021192164A JP 7095849 B1 JP7095849 B1 JP 7095849B1
- Authority
- JP
- Japan
- Prior art keywords
- eyewear
- information
- fitting
- image
- color
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000003745 diagnosis Methods 0.000 claims abstract description 70
- 238000010801 machine learning Methods 0.000 claims abstract description 19
- 239000000284 extract Substances 0.000 claims abstract description 8
- 238000000034 method Methods 0.000 claims description 28
- 238000013528 artificial neural network Methods 0.000 claims description 25
- 238000004364 calculation method Methods 0.000 claims description 25
- 238000012545 processing Methods 0.000 claims description 25
- 230000006870 function Effects 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 14
- 230000010365 information processing Effects 0.000 claims description 12
- 230000002194 synthesizing effect Effects 0.000 claims description 12
- 230000007704 transition Effects 0.000 claims description 6
- 238000010187 selection method Methods 0.000 claims 1
- 238000000605 extraction Methods 0.000 abstract description 3
- 230000002708 enhancing effect Effects 0.000 abstract 1
- 210000004709 eyebrow Anatomy 0.000 description 84
- 238000010586 diagram Methods 0.000 description 17
- 230000001815 facial effect Effects 0.000 description 13
- 238000013473 artificial intelligence Methods 0.000 description 5
- 238000010191 image analysis Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 229910052709 silver Inorganic materials 0.000 description 3
- 239000004332 silver Substances 0.000 description 3
- 210000004556 brain Anatomy 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000008676 import Effects 0.000 description 2
- 230000000630 rising effect Effects 0.000 description 2
- 125000002066 L-histidyl group Chemical group [H]N1C([H])=NC(C([H])([H])[C@](C(=O)[*])([H])N([H])[H])=C1[H] 0.000 description 1
- 102100026459 POU domain, class 3, transcription factor 2 Human genes 0.000 description 1
- 101710133394 POU domain, class 3, transcription factor 2 Proteins 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000001308 synthesis method Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
【課題】統一した基準で分類されたアイウェアのデータベースから、ユーザに似合うアイウェアをシステム側で抽出・提案することで、ユーザが好みのアイウェアの選択・購入をよりスムーズに実行可能とすること。【解決手段】アイウェア画像を読み込んで、機械学習によってアイウェアの分類結果（玉型配分情報およびカラー配分情報）を出力する分類手段１０と、アイウェア画像および分類結果を蓄積するデータベース２０と、顔データから生成した玉型診断情報およびカラー診断情報に近似する玉型配分情報およびカラー配分情報を有するアイウェアを、似合うアイウェアとして抽出する選定手段３０と、アイウェア画像をユーザの顔データに合成してなる試着画像を生成・表示する試着手段４０とを少なくとも具備する。試着手段４０では抽出結果から保存した試着画像を一覧表示可能とすることで、ユーザによるアイウェアの候補選択作業の利便性を高めることができる。【選択図】図１
Description
本発明は、メガネ、サングラス、ゴーグルなどのアイウェアの画像をユーザの顔データに合成した試着映像をユーザ端末上に表示することで、現実の試着によらずに、ユーザにとって好ましいアイウェアを選択・購入することが可能なシステムに関する。
アイウェアの仮想試着が可能な技術として、以下の特許文献および非特許文献が知られている。
特許文献１に係る文献には、顔部の画像を入力し、顔部データを解析し、顔部の画像をメガネの画像を重畳させた合成画像を生成して表示する眼鏡の選択支援システムが開示されている。
上記特許文献１の発展系と考えられる、非特許文献１に記載のＷＥＢサービスでは、ＥＣサイト上で任意の眼鏡を選択したあとに、当該眼鏡の画像と、ユーザの顔データとを合成した試着画像を表示しつつ、この試着画像をＡＩ（人工知能）によって解析して、当該眼鏡の似合い度を数値化して判定する機能が提供されている。
特許文献１に係る文献には、顔部の画像を入力し、顔部データを解析し、顔部の画像をメガネの画像を重畳させた合成画像を生成して表示する眼鏡の選択支援システムが開示されている。
上記特許文献１の発展系と考えられる、非特許文献１に記載のＷＥＢサービスでは、ＥＣサイト上で任意の眼鏡を選択したあとに、当該眼鏡の画像と、ユーザの顔データとを合成した試着画像を表示しつつ、この試着画像をＡＩ（人工知能）によって解析して、当該眼鏡の似合い度を数値化して判定する機能が提供されている。
https://brain.jins.com/ 「JINS BRAIN 2」
しかし、上記先行技術には、以下の観点のうち少なくとも何れか１つにおいて、未だ改善の余地が残されている。
（１）似合い度の算出処理の負荷の観点
非特許文献１の場合、合成後の試着画像の画像解析によって眼鏡の似合い度を数値化するため、眼鏡毎に試着画像の生成処理と似合い度の算出処理が必要となる。よって、予め、似合い度順に並べた複数の候補を提案する際には、取扱う眼鏡の全てについて試着画像の生成処理と似合い度の算出処理を行わなければならず、システムの負荷が大きくなりやすい。
（２）似合い度の算出手法の観点
非特許文献１で採用される似合い度の算出処理が、具体的に如何なる手法を用いているかが明らかでないところ、より精度の高い判定手法を設計することで、ユーザにとってより似合った眼鏡の提案を行いたい。
（３）合成用の眼鏡画像の分類精度の観点
試着画像の生成に用いる眼鏡画像の玉型（スクエア型、ウェリントン型、オーバル型、など）やフレーム色（黒系、紺系、グレー系、など）を予め認識しておき、当該情報を、似合う眼鏡の判定処理に活用したいところ、専門者である眼鏡店での販売支援員であっても、玉型やフレーム色の認識結果のズレが大きくなりやすいことから、全ての眼鏡に対し、玉型やフレーム色の情報を同一の基準で分類したデータベースの作成が難しい。
（４）ユーザによる眼鏡検討時の利便性の観点
ユーザが選択した眼鏡の試着画像のみが画面上に表示されるため、複数の候補の中からユーザがもっとも好ましい眼鏡を検討する際に、毎回、眼鏡の再選択（すなわち、試着画像の生成および再表示）が発生し、最終的に一つの眼鏡を選択するにあたっての利便性に乏しい。
（１）似合い度の算出処理の負荷の観点
非特許文献１の場合、合成後の試着画像の画像解析によって眼鏡の似合い度を数値化するため、眼鏡毎に試着画像の生成処理と似合い度の算出処理が必要となる。よって、予め、似合い度順に並べた複数の候補を提案する際には、取扱う眼鏡の全てについて試着画像の生成処理と似合い度の算出処理を行わなければならず、システムの負荷が大きくなりやすい。
（２）似合い度の算出手法の観点
非特許文献１で採用される似合い度の算出処理が、具体的に如何なる手法を用いているかが明らかでないところ、より精度の高い判定手法を設計することで、ユーザにとってより似合った眼鏡の提案を行いたい。
（３）合成用の眼鏡画像の分類精度の観点
試着画像の生成に用いる眼鏡画像の玉型（スクエア型、ウェリントン型、オーバル型、など）やフレーム色（黒系、紺系、グレー系、など）を予め認識しておき、当該情報を、似合う眼鏡の判定処理に活用したいところ、専門者である眼鏡店での販売支援員であっても、玉型やフレーム色の認識結果のズレが大きくなりやすいことから、全ての眼鏡に対し、玉型やフレーム色の情報を同一の基準で分類したデータベースの作成が難しい。
（４）ユーザによる眼鏡検討時の利便性の観点
ユーザが選択した眼鏡の試着画像のみが画面上に表示されるため、複数の候補の中からユーザがもっとも好ましい眼鏡を検討する際に、毎回、眼鏡の再選択（すなわち、試着画像の生成および再表示）が発生し、最終的に一つの眼鏡を選択するにあたっての利便性に乏しい。
よって、本発明は、統一した基準で分類されたアイウェアのデータベースから、ユーザに似合うアイウェアをシステム側で抽出・提案することで、ユーザが好みのアイウェアの選択・購入をよりスムーズに実行可能な手段の提供を目的の一つとする。
［１］アイウェア仮想試着システム
上記課題を解決すべくなされた本願の第１発明は、ユーザが操作する端末の画面上でアイウェアの仮想試着を可能とする、アイウェア仮想試着システムであって、
（Ａ）アイウェア画像を読み込んで、アイウェアの分類結果を出力する、分類手段と、
（Ｂ）アイウェア毎に、少なくとも試着用データおよび前記分類結果を蓄積する、データベースと、
（Ｃ）ユーザの顔データに基づいて、前記データベースから少なくとも一つ以上のアイウェアを選定する、選定手段と、
（Ｄ）選定されたアイウェアの試着用データをユーザの顔データに合成してなる試着画像を生成・表示する、試着手段と、
を少なくとも具備し、
前記（Ａ）分類手段が、
（Ａ１）入力層と出力層とを備え、前記入力層の入力データをアイウェアの撮影画像とし、前記出力層の出力データを当該アイウェアの玉型情報およびフレーム色情報とする、ニューラルネットワークと、
（Ａ２）前記入力データ及び前記出力データの実績値を教師データとして前記ニューラルネットワークを学習させる、機械学習部と、
（Ａ３）前記機械学習部にて学習させたニューラルネットワークに、前記アイウェア画像を入力し、当該アイウェア画像に対する、玉型の種別毎の推定情報からなる玉型配分情報、およびフレーム色の種別毎の推定情報からなるカラー配分情報を求める、推定部と、を少なくとも含み、
前記（Ｃ）選定手段が、
（Ｃ１）ユーザの顔データから求めた特徴量に基づいて、玉型の種別毎の配点情報を含む、玉型診断情報と、フレーム色の種別毎の配点情報を含む、カラー診断情報を算出する、特徴診断部と、
（Ｃ２）前記データベースを参照して、前記玉型診断情報およびカラー診断情報に近似する前記玉型配分情報およびカラー配分情報を有するアイウェアを抽出する、商品絞込部と、
を少なくとも含み、
前記（Ｄ）試着手段が、
（Ｄ１）前記選定手段で選定されたアイウェアの中から、ユーザが選択したアイウェアの試着用データを前記顔データに合成してなる試着画像を生成する、試着画像生成部と、
（Ｄ２）前記試着画像を保存可能な、試着画像保存部と、
（Ｄ３）保存された複数の前記試着画像から少なくとも二つ以上の試着画像を画面上に一覧表示する、試着画像一覧表示部と、
を少なくとも含むことを特徴とするものである。
また、本願の第２発明は、前記（Ｃ１）特徴診断部において、玉型診断情報およびカラー診断情報の算出に、スタイリストの選定基準を模擬するように玉型毎およびカラー毎に予め設定される、個性パラメータを用いることを特徴とする。
また、本願の第３発明は、前記（Ｃ１）特徴診断部において、（Ｃ１１）前記玉型診断情報が、
（Ｃ１１１）ユーザの顔データから算出した複数項目の特徴量のうち、任意の項目の特徴量と、前記個性パラメータの乗算でもって、玉型毎にスコア値を算出した、玉型用診断スコアを少なくとも１つ以上求める処理と、
（Ｃ１１２）各玉型用診断スコアから、何れか１つの玉型種別のスコア値を抜き出してなる組合せを生成し、当該組合せの中で、各スコア値の合算値が最大の組合せを、玉型診断情報とする処理と、
によって生成されることを特徴とするものである。
また、本願の第４発明は、前記（Ｃ１）特徴診断部において、（Ｃ１２）前記カラー診断情報が、
（Ｃ１２１）ユーザの顔データから算出した複数項目の特徴量のうち、任意の項目の特徴量と、前記個性パラメータの乗算でもって、フレーム色毎にスコア値を算出した、カラー用診断スコアを少なくとも１つ以上求める処理と、
（Ｃ１２２）各カラー用診断スコアから、何れか１つのフレーム色種別のスコア値を抜き出してなる組合せを生成し、当該組合せの中で、各スコア値の合算値が最大の組合せを、カラー診断情報とする処理と、
によって生成されることを特徴とするものである。
また、本願の第５発明は、前記（Ａ）分類手段において、前記入力層の入力データとして使用するアイウェアの撮影画像が、当該アイウェアの弦部分の一部又は全部を除去した画像であることを特徴とするものである。
また、本願の第６発明は、前記（Ｄ１）試着画像生成部において、前記顔データにおける虹彩サイズを基準として、前記顔データと前記試着用データとの寸法比を調整してから、前記顔データと試着用データを合成することを特徴とするものである。
上記課題を解決すべくなされた本願の第１発明は、ユーザが操作する端末の画面上でアイウェアの仮想試着を可能とする、アイウェア仮想試着システムであって、
（Ａ）アイウェア画像を読み込んで、アイウェアの分類結果を出力する、分類手段と、
（Ｂ）アイウェア毎に、少なくとも試着用データおよび前記分類結果を蓄積する、データベースと、
（Ｃ）ユーザの顔データに基づいて、前記データベースから少なくとも一つ以上のアイウェアを選定する、選定手段と、
（Ｄ）選定されたアイウェアの試着用データをユーザの顔データに合成してなる試着画像を生成・表示する、試着手段と、
を少なくとも具備し、
前記（Ａ）分類手段が、
（Ａ１）入力層と出力層とを備え、前記入力層の入力データをアイウェアの撮影画像とし、前記出力層の出力データを当該アイウェアの玉型情報およびフレーム色情報とする、ニューラルネットワークと、
（Ａ２）前記入力データ及び前記出力データの実績値を教師データとして前記ニューラルネットワークを学習させる、機械学習部と、
（Ａ３）前記機械学習部にて学習させたニューラルネットワークに、前記アイウェア画像を入力し、当該アイウェア画像に対する、玉型の種別毎の推定情報からなる玉型配分情報、およびフレーム色の種別毎の推定情報からなるカラー配分情報を求める、推定部と、を少なくとも含み、
前記（Ｃ）選定手段が、
（Ｃ１）ユーザの顔データから求めた特徴量に基づいて、玉型の種別毎の配点情報を含む、玉型診断情報と、フレーム色の種別毎の配点情報を含む、カラー診断情報を算出する、特徴診断部と、
（Ｃ２）前記データベースを参照して、前記玉型診断情報およびカラー診断情報に近似する前記玉型配分情報およびカラー配分情報を有するアイウェアを抽出する、商品絞込部と、
を少なくとも含み、
前記（Ｄ）試着手段が、
（Ｄ１）前記選定手段で選定されたアイウェアの中から、ユーザが選択したアイウェアの試着用データを前記顔データに合成してなる試着画像を生成する、試着画像生成部と、
（Ｄ２）前記試着画像を保存可能な、試着画像保存部と、
（Ｄ３）保存された複数の前記試着画像から少なくとも二つ以上の試着画像を画面上に一覧表示する、試着画像一覧表示部と、
を少なくとも含むことを特徴とするものである。
また、本願の第２発明は、前記（Ｃ１）特徴診断部において、玉型診断情報およびカラー診断情報の算出に、スタイリストの選定基準を模擬するように玉型毎およびカラー毎に予め設定される、個性パラメータを用いることを特徴とする。
また、本願の第３発明は、前記（Ｃ１）特徴診断部において、（Ｃ１１）前記玉型診断情報が、
（Ｃ１１１）ユーザの顔データから算出した複数項目の特徴量のうち、任意の項目の特徴量と、前記個性パラメータの乗算でもって、玉型毎にスコア値を算出した、玉型用診断スコアを少なくとも１つ以上求める処理と、
（Ｃ１１２）各玉型用診断スコアから、何れか１つの玉型種別のスコア値を抜き出してなる組合せを生成し、当該組合せの中で、各スコア値の合算値が最大の組合せを、玉型診断情報とする処理と、
によって生成されることを特徴とするものである。
また、本願の第４発明は、前記（Ｃ１）特徴診断部において、（Ｃ１２）前記カラー診断情報が、
（Ｃ１２１）ユーザの顔データから算出した複数項目の特徴量のうち、任意の項目の特徴量と、前記個性パラメータの乗算でもって、フレーム色毎にスコア値を算出した、カラー用診断スコアを少なくとも１つ以上求める処理と、
（Ｃ１２２）各カラー用診断スコアから、何れか１つのフレーム色種別のスコア値を抜き出してなる組合せを生成し、当該組合せの中で、各スコア値の合算値が最大の組合せを、カラー診断情報とする処理と、
によって生成されることを特徴とするものである。
また、本願の第５発明は、前記（Ａ）分類手段において、前記入力層の入力データとして使用するアイウェアの撮影画像が、当該アイウェアの弦部分の一部又は全部を除去した画像であることを特徴とするものである。
また、本願の第６発明は、前記（Ｄ１）試着画像生成部において、前記顔データにおける虹彩サイズを基準として、前記顔データと前記試着用データとの寸法比を調整してから、前記顔データと試着用データを合成することを特徴とするものである。
［２－１］アイウェア選定システム（玉型による選定）
さらに、本願の第７発明は、情報処理装置を用いて構成する、アイウェア選定システムであって、
（Ｃ１’）ユーザの顔データから求めた特徴量に基づいて、玉型の種別毎の配点情報を含む、玉型診断情報を算出する、特徴診断部と、
（Ｃ２’）アイウェア毎にデータベースに蓄積される、アイウェアの玉型の種別毎の配点情報を含む玉型配分情報を参照して、前記玉型診断情報に近似する前記玉型配分情報を有するアイウェアを抽出する、商品絞込部と、
を少なくとも含んでなることを特徴とするものである。
また、本願の第８発明は、前記（Ｃ１’）特徴診断部において、玉型診断情報の算出に、スタイリストの選定基準を模擬するように玉型毎に予め設定される、個性パラメータを用いることを特徴とするものである。
さらに、本願の第７発明は、情報処理装置を用いて構成する、アイウェア選定システムであって、
（Ｃ１’）ユーザの顔データから求めた特徴量に基づいて、玉型の種別毎の配点情報を含む、玉型診断情報を算出する、特徴診断部と、
（Ｃ２’）アイウェア毎にデータベースに蓄積される、アイウェアの玉型の種別毎の配点情報を含む玉型配分情報を参照して、前記玉型診断情報に近似する前記玉型配分情報を有するアイウェアを抽出する、商品絞込部と、
を少なくとも含んでなることを特徴とするものである。
また、本願の第８発明は、前記（Ｃ１’）特徴診断部において、玉型診断情報の算出に、スタイリストの選定基準を模擬するように玉型毎に予め設定される、個性パラメータを用いることを特徴とするものである。
［２－２］アイウェア選定システム（玉型およびフレーム色による選定）
さらに、本願の第９発明は、情報処理装置を用いて構成する、アイウェア選定システムであって、
（Ｃ１）ユーザの顔データから求めた特徴量に基づいて、玉型の種別毎の配点情報を含む、玉型診断情報と、フレーム色の種別毎の配点情報を含む、カラー診断情報を算出する、特徴診断部と、
（Ｃ２）アイウェア毎にデータベースに蓄積される、アイウェアの玉型の種別毎の配点情報を含む玉型配分情報および、アイウェアのフレーム色の種別毎の配点情報を含むカラー配分情報を参照して、前記玉型診断情報およびカラー診断情報に近似する前記玉型配分情報およびカラー配分情報を有するアイウェアを抽出する、商品絞込部と、
を少なくとも含んでなることを特徴とするものである。
また、本願の第１０発明は、前記（Ｃ１）特徴診断部において、玉型診断情報およびカラー診断情報の算出に、スタイリストの選定基準を模擬するように玉型毎およびカラー毎に予め設定される、個性パラメータを用いることを特徴とするものである。
さらに、本願の第９発明は、情報処理装置を用いて構成する、アイウェア選定システムであって、
（Ｃ１）ユーザの顔データから求めた特徴量に基づいて、玉型の種別毎の配点情報を含む、玉型診断情報と、フレーム色の種別毎の配点情報を含む、カラー診断情報を算出する、特徴診断部と、
（Ｃ２）アイウェア毎にデータベースに蓄積される、アイウェアの玉型の種別毎の配点情報を含む玉型配分情報および、アイウェアのフレーム色の種別毎の配点情報を含むカラー配分情報を参照して、前記玉型診断情報およびカラー診断情報に近似する前記玉型配分情報およびカラー配分情報を有するアイウェアを抽出する、商品絞込部と、
を少なくとも含んでなることを特徴とするものである。
また、本願の第１０発明は、前記（Ｃ１）特徴診断部において、玉型診断情報およびカラー診断情報の算出に、スタイリストの選定基準を模擬するように玉型毎およびカラー毎に予め設定される、個性パラメータを用いることを特徴とするものである。
［３］アイウェア試着システム
また、本願の第１１発明は、情報処理装置を用いて構成する、アイウェア試着システムであって、
（Ｄ１’）データベースから手動又は自動で選択されたアイウェアの試着用データをユーザの顔データに合成してなる、試着画像を生成可能な、試着画像生成部と、
（Ｄ２）複数の前記試着画像を保存可能な、試着画像保存部と、
（Ｄ３）保存された複数の前記試着画像から少なくとも二つ以上の試着画像を画面上に一覧表示する、試着画像一覧表示部と、
を少なくとも含んでなることを特徴とするものである。
また、本願の第１１発明は、情報処理装置を用いて構成する、アイウェア試着システムであって、
（Ｄ１’）データベースから手動又は自動で選択されたアイウェアの試着用データをユーザの顔データに合成してなる、試着画像を生成可能な、試着画像生成部と、
（Ｄ２）複数の前記試着画像を保存可能な、試着画像保存部と、
（Ｄ３）保存された複数の前記試着画像から少なくとも二つ以上の試着画像を画面上に一覧表示する、試着画像一覧表示部と、
を少なくとも含んでなることを特徴とするものである。
［４］アイウェア分類システム
また、本願の第１２発明は、情報処理装置を用いて構成する、アイウェア分類システムであって、
（Ａ１’）入力層と出力層とを備え、前記入力層の入力データをアイウェアの撮影画像とし、前記出力層の出力データを当該アイウェアの玉型情報とする、ニューラルネットワークと、
（Ａ２’）前記入力データ及び前記出力データの実績値を教師データとして前記ニューラルネットワークを学習させる、機械学習部と、
（Ａ３’）前記機械学習部にて学習させたニューラルネットワークに、アイウェア画像を入力し、当該アイウェア画像に対する、玉型の種別毎の推定情報からなる玉型配分情報を求める、推定部と、
を少なくとも含んでなることを特徴とするものである。
さらに、本願の第１３発明は、情報処理装置を用いて構成する、アイウェア分類システムであって、
（Ａ１）入力層と出力層とを備え、前記入力層の入力データをアイウェアの撮影画像とし、前記出力層の出力データを当該アイウェアの玉型情報およびフレーム色情報とする、ニューラルネットワークと、
（Ａ２）前記入力データ及び前記出力データの実績値を教師データとして前記ニューラルネットワークを学習させる、機械学習部と、
（Ａ３）前記機械学習部にて学習させたニューラルネットワークに、アイウェア画像を入力し、当該アイウェア画像に対する、玉型の種別毎の推定情報からなる玉型配分情報、およびフレーム色の種別毎の推定情報からなるカラー配分情報を求める、推定部と、
を少なくとも含んでなることを特徴とするものである。
また、本願の第１４発明は、前記入力層の入力データとして使用するアイウェアの撮影画像が、当該アイウェアの弦の一部又は全部を除去した画像であることを特徴とするものである。
また、本願の第１２発明は、情報処理装置を用いて構成する、アイウェア分類システムであって、
（Ａ１’）入力層と出力層とを備え、前記入力層の入力データをアイウェアの撮影画像とし、前記出力層の出力データを当該アイウェアの玉型情報とする、ニューラルネットワークと、
（Ａ２’）前記入力データ及び前記出力データの実績値を教師データとして前記ニューラルネットワークを学習させる、機械学習部と、
（Ａ３’）前記機械学習部にて学習させたニューラルネットワークに、アイウェア画像を入力し、当該アイウェア画像に対する、玉型の種別毎の推定情報からなる玉型配分情報を求める、推定部と、
を少なくとも含んでなることを特徴とするものである。
さらに、本願の第１３発明は、情報処理装置を用いて構成する、アイウェア分類システムであって、
（Ａ１）入力層と出力層とを備え、前記入力層の入力データをアイウェアの撮影画像とし、前記出力層の出力データを当該アイウェアの玉型情報およびフレーム色情報とする、ニューラルネットワークと、
（Ａ２）前記入力データ及び前記出力データの実績値を教師データとして前記ニューラルネットワークを学習させる、機械学習部と、
（Ａ３）前記機械学習部にて学習させたニューラルネットワークに、アイウェア画像を入力し、当該アイウェア画像に対する、玉型の種別毎の推定情報からなる玉型配分情報、およびフレーム色の種別毎の推定情報からなるカラー配分情報を求める、推定部と、
を少なくとも含んでなることを特徴とするものである。
また、本願の第１４発明は、前記入力層の入力データとして使用するアイウェアの撮影画像が、当該アイウェアの弦の一部又は全部を除去した画像であることを特徴とするものである。
本発明によれば、以下に記載する効果のうち、少なくとも何れか１つの効果を奏する。
（１）ユーザの顔データから求めた特徴量に基づいて玉型の種別毎に配点した玉型診断情報および／またはフレーム色の種別毎に配点したカラー診断情報を求めつつ、各診断情報に近い玉型配分情報およびカラー配分情報を有するアイウェアをユーザに似合うアイウェアとして選定するため、似合い度の判定のために合成画像を生成する必要が無い。
（２）統一された基準で玉型および／またはフレーム色を分類したアイウェアのデータベースから、ユーザに似合うアイウェアを選定することで、ユーザ自身の主観的な基準ではなく、客観的に似合うアイウェアの提案が可能となる。
（３）一つのアイウェアや顔データに対し、複数の玉型（スクエア型、ウェリントン型、オーバル型、など）や複数のフレーム色（ブラック系、レッド系、グレー系など）の種別毎にスコア値が配点されていることから、単一形状および単一色で分類されるアイウェアのデータベースを用いた場合の選定と比較して、より似合うアイウェアの抽出精度が高い。
（４）ユーザがこれまでに仮想試着した購入候補のアイウェアの中から、最終的に購入したいアイウェアを選択する際に、これまでの複数の試着画像を画面上で一覧表示できるため、最終選択時の利便性に優れる。
（１）ユーザの顔データから求めた特徴量に基づいて玉型の種別毎に配点した玉型診断情報および／またはフレーム色の種別毎に配点したカラー診断情報を求めつつ、各診断情報に近い玉型配分情報およびカラー配分情報を有するアイウェアをユーザに似合うアイウェアとして選定するため、似合い度の判定のために合成画像を生成する必要が無い。
（２）統一された基準で玉型および／またはフレーム色を分類したアイウェアのデータベースから、ユーザに似合うアイウェアを選定することで、ユーザ自身の主観的な基準ではなく、客観的に似合うアイウェアの提案が可能となる。
（３）一つのアイウェアや顔データに対し、複数の玉型（スクエア型、ウェリントン型、オーバル型、など）や複数のフレーム色（ブラック系、レッド系、グレー系など）の種別毎にスコア値が配点されていることから、単一形状および単一色で分類されるアイウェアのデータベースを用いた場合の選定と比較して、より似合うアイウェアの抽出精度が高い。
（４）ユーザがこれまでに仮想試着した購入候補のアイウェアの中から、最終的に購入したいアイウェアを選択する際に、これまでの複数の試着画像を画面上で一覧表示できるため、最終選択時の利便性に優れる。
以下、図面を参照しながら、本発明の実施例について説明する。
＜１＞全体構成（図１）
図１に、本発明に係るアイウェア仮想試着システムの全体構成を示す。
アイウェア仮想試着システムＡは、ユーザＣが操作する端末（操作端末Ｄ）等と、ネットワークＢを介して情報の送受信を可能としたものである。
操作端末Ｄは、ユーザが保有する端末でもよいし、店舗内に設置されている端末であってもよい。
アイウェア仮想試着システムＡは、単一または複数の情報処理装置やサーバ等で構成することができ、当該情報処理装置に内蔵するＣＰＵ、ＲＡＭ、およびＨＤＤやＳＳＤなどの記憶媒体等を用いて、少なくとも、分類手段１０、データベース２０、選定手段３０および試着手段４０として機能するよう構成する。
図１に、本発明に係るアイウェア仮想試着システムの全体構成を示す。
アイウェア仮想試着システムＡは、ユーザＣが操作する端末（操作端末Ｄ）等と、ネットワークＢを介して情報の送受信を可能としたものである。
操作端末Ｄは、ユーザが保有する端末でもよいし、店舗内に設置されている端末であってもよい。
アイウェア仮想試着システムＡは、単一または複数の情報処理装置やサーバ等で構成することができ、当該情報処理装置に内蔵するＣＰＵ、ＲＡＭ、およびＨＤＤやＳＳＤなどの記憶媒体等を用いて、少なくとも、分類手段１０、データベース２０、選定手段３０および試着手段４０として機能するよう構成する。
＜２＞分類手段（図２）
分類手段１０は、アイウェアを撮影した画像（以下、「アイウェア画像」）を画像分析して、当該アイウェアの分類を行うための手段である。
本発明では、アイウェアの分類を行う種別として、当該アイウェアの玉型に関する情報と、フレーム色に関する情報のうち、少なくとも何れか一方が含まれるものとし、本実施例ではその両方を含んだものとしている。
分類手段１０は、いわゆる人工知能（ＡＩ）を用いることができる。
図２に示すように、本発明では、分類手段１０を、機能毎に、ニューラルネットワーク１１、機械学習部１２、および推定部１３に区分けしている。
以下、各部の詳細について説明する。
分類手段１０は、アイウェアを撮影した画像（以下、「アイウェア画像」）を画像分析して、当該アイウェアの分類を行うための手段である。
本発明では、アイウェアの分類を行う種別として、当該アイウェアの玉型に関する情報と、フレーム色に関する情報のうち、少なくとも何れか一方が含まれるものとし、本実施例ではその両方を含んだものとしている。
分類手段１０は、いわゆる人工知能（ＡＩ）を用いることができる。
図２に示すように、本発明では、分類手段１０を、機能毎に、ニューラルネットワーク１１、機械学習部１２、および推定部１３に区分けしている。
以下、各部の詳細について説明する。
＜２．１＞ニューラルネットワーク（図２（ａ））
ニューラルネットワーク１１とは、入力層と出力層とを備え、入力を線形変換する処理単位がネットワーク状に結合した状態とすることで、脳の神経回路の一部を模した数理モデルである。
本発明では、ニューラルネットワーク１１の入力層および出力層を以下の通りに設定する。
ニューラルネットワーク１１とは、入力層と出力層とを備え、入力を線形変換する処理単位がネットワーク状に結合した状態とすることで、脳の神経回路の一部を模した数理モデルである。
本発明では、ニューラルネットワーク１１の入力層および出力層を以下の通りに設定する。
［表１］
＜２．２＞機械学習部（図２（ａ））
機械学習部１２は、入力データ及び出力データの実績値を教師データとして、前記ニューラルネットワーク１１を学習させる機能を有する。
教師データの一例を以下の表２に示す。
機械学習部１２は、入力データ及び出力データの実績値を教師データとして、前記ニューラルネットワーク１１を学習させる機能を有する。
教師データの一例を以下の表２に示す。
［表２］
（１）教師データの作成方法
表２に係る教師データは、眼鏡販売店の接客担当や、専門スタイリスト等による、対象のアイウェアに対する玉型およびフレーム色の回答結果を利用することができる。
表２に係る教師データは、眼鏡販売店の接客担当や、専門スタイリスト等による、対象のアイウェアに対する玉型およびフレーム色の回答結果を利用することができる。
＜２．３＞推定部（図２（ａ））
推定部１３は、機械学習部１２にて学習させたニューラルネットワーク１１に、アイウェア画像を入力し、当該アイウェアの玉型配分情報およびカラー配分情報を求める機能を有する。
このアイウェア画像は、アイウェアを正面側から撮影した画像を用いることができる。
推定部１３は、機械学習部１２にて学習させたニューラルネットワーク１１に、アイウェア画像を入力し、当該アイウェアの玉型配分情報およびカラー配分情報を求める機能を有する。
このアイウェア画像は、アイウェアを正面側から撮影した画像を用いることができる。
（１）各配分情報のデータ構成
アイウェア毎に付与される、玉型配分情報およびカラー配分情報の構成例について説明する。
各配分情報は、玉型の種別毎、フレーム色毎の推定情報に相当し、より詳しくはアイウェアの玉型やフレーム色の種別毎に数値が配点される態様で構成される。
各種別の値は、後述する選定手段３０での、各診断情報との近似値計算のために、以下の表３で示すように、割合表示としておくことが好ましい。
アイウェア毎に付与される、玉型配分情報およびカラー配分情報の構成例について説明する。
各配分情報は、玉型の種別毎、フレーム色毎の推定情報に相当し、より詳しくはアイウェアの玉型やフレーム色の種別毎に数値が配点される態様で構成される。
各種別の値は、後述する選定手段３０での、各診断情報との近似値計算のために、以下の表３で示すように、割合表示としておくことが好ましい。
［表３］
なお、各配分情報における種別毎の数値は、値が大きいほどその種別の該当性が高いことを指している。
したがって、表３に示す例では、教師データの出力データとして、玉型がスクエアであると回答した数が最も多く、以降、ウェリントン、ボストンと続いたことを示しており、同様に、フレーム色は、ブラックと回答した数と、シルバーと回答した数が略同数であったことを示している。
したがって、表３に示す例では、教師データの出力データとして、玉型がスクエアであると回答した数が最も多く、以降、ウェリントン、ボストンと続いたことを示しており、同様に、フレーム色は、ブラックと回答した数と、シルバーと回答した数が略同数であったことを示している。
＜２．４＞前処理（図２（ｂ））
教師データの入力データとなるアイウェアの撮影画像や、推定部１３に読み込ませる分類前のアイウェア画像は、事前に前処理を行っておくことで、推定部１３における推定処理の精度向上に寄与することが考えられる。
この前処理には、背景色の除去や、弦部分の除去処理などが挙げられる。
このうち、弦部分の除去処理について以下に説明する。
例えば、アイウェア画像がアイウェアを正面から撮影した場合には、図２（ｂ）に示すように、弦の部分がフレームの上縁から延出したように見えている。そのため、画像解析でもってフレームの上縁を検出し、この上縁より上の画像をトリミングしておくと、弦の大部分を除去したアイウェア画像を生成することができる。
教師データの入力データとなるアイウェアの撮影画像や、推定部１３に読み込ませる分類前のアイウェア画像は、事前に前処理を行っておくことで、推定部１３における推定処理の精度向上に寄与することが考えられる。
この前処理には、背景色の除去や、弦部分の除去処理などが挙げられる。
このうち、弦部分の除去処理について以下に説明する。
例えば、アイウェア画像がアイウェアを正面から撮影した場合には、図２（ｂ）に示すように、弦の部分がフレームの上縁から延出したように見えている。そのため、画像解析でもってフレームの上縁を検出し、この上縁より上の画像をトリミングしておくと、弦の大部分を除去したアイウェア画像を生成することができる。
＜３＞データベース（図１，図３）
データベース２０は、分類手段１０で得たアイウェアの分類結果を、アイウェアの試着用データとともに、蓄積する機能を少なくとも有する。
図３に示すように、データベース２０では、アイウェア毎に、ＩＤ（識別情報）、商品名、分類結果、価格などを紐付けて蓄積しておくことができる。
データベース２０は、分類手段１０で得たアイウェアの分類結果を、アイウェアの試着用データとともに、蓄積する機能を少なくとも有する。
図３に示すように、データベース２０では、アイウェア毎に、ＩＤ（識別情報）、商品名、分類結果、価格などを紐付けて蓄積しておくことができる。
＜３．１＞試着用データ
試着用データは、試着手段４０で、ユーザの顔データと合成することにより試着画像を生成するためのデータである。
試着用データは、分類手段１０で用いたアイウェア画像や、アイウェアの正面側撮影画像および側面側撮影画像の組合せや、デプスカメラや３Ｄスキャン等によって生成した立体モデルなどを用いることができる。
試着用データは、試着手段４０で、ユーザの顔データと合成することにより試着画像を生成するためのデータである。
試着用データは、分類手段１０で用いたアイウェア画像や、アイウェアの正面側撮影画像および側面側撮影画像の組合せや、デプスカメラや３Ｄスキャン等によって生成した立体モデルなどを用いることができる。
＜３．２＞その他の蓄積情報
さらに、データベース２０で蓄積する情報には、前記アイウェア画像および試着用データとは別に、似合う候補として画面上にサムネイル表示する際のサムネイル用画像や、当該アイウェアの実寸情報を含めてもよい。
この実寸情報は、メーカーから提供されたもの、人力で採寸されたもの、アイウェア画像から自動的に算出したもの、の何れであってもよい。
このとき、アイウェア画像から実寸情報を算出する方法は特段限定せず、撮影するカメラの解像度と撮影距離から１ピクセルあたりのサイズを割り出して全体のサイズを求める方法などが考えられる。
さらに、データベース２０で蓄積する情報には、前記アイウェア画像および試着用データとは別に、似合う候補として画面上にサムネイル表示する際のサムネイル用画像や、当該アイウェアの実寸情報を含めてもよい。
この実寸情報は、メーカーから提供されたもの、人力で採寸されたもの、アイウェア画像から自動的に算出したもの、の何れであってもよい。
このとき、アイウェア画像から実寸情報を算出する方法は特段限定せず、撮影するカメラの解像度と撮影距離から１ピクセルあたりのサイズを割り出して全体のサイズを求める方法などが考えられる。
＜４＞選定手段（図４～図１５）
選定手段３０は、読み込んだユーザの顔データに基づいて、データベース２０から少なくとも一つ以上のアイウェアを抽出する機能を有する。
選定手段３０では、取り込んだ顔データを画像解析して特徴量を割り出し、当該特徴量を参考に、データベース２０からユーザにとって似合うアイウェアを、少なくとも一つ以上抽出する機能を有する。
本発明では、選定手段３０を、機能毎に、特徴診断部３１と商品絞込部３２に区分けしている。
以下、各部の詳細について説明する。
選定手段３０は、読み込んだユーザの顔データに基づいて、データベース２０から少なくとも一つ以上のアイウェアを抽出する機能を有する。
選定手段３０では、取り込んだ顔データを画像解析して特徴量を割り出し、当該特徴量を参考に、データベース２０からユーザにとって似合うアイウェアを、少なくとも一つ以上抽出する機能を有する。
本発明では、選定手段３０を、機能毎に、特徴診断部３１と商品絞込部３２に区分けしている。
以下、各部の詳細について説明する。
＜４．１＞特徴診断部（図４）
特徴診断部３１は、ユーザの顔データを画像解析して特徴量を割り出し、当該特徴量に基づいて、玉型診断情報およびカラー診断情報を算出する機能を有する。
特徴診断部３１は、ユーザの顔データを画像解析して特徴量を割り出し、当該特徴量に基づいて、玉型診断情報およびカラー診断情報を算出する機能を有する。
＜４．１．１＞顔データ
ユーザの顔データは、操作端末Ｄとして使用するユーザの保有端末に保存されている画像データや、操作端末Ｄに備えたカメラによる撮影映像、デプスカメラや３Ｄスキャナ等を用いた立体データ等を用いることができる。
ユーザの顔データは、操作端末Ｄとして使用するユーザの保有端末に保存されている画像データや、操作端末Ｄに備えたカメラによる撮影映像、デプスカメラや３Ｄスキャナ等を用いた立体データ等を用いることができる。
＜４．１．２＞各診断情報
玉型診断情報は、ユーザの顔データの特徴量に基づいて、当該ユーザの似合う玉型について、玉型の種別毎に配点してある情報である。
また、カラー診断情報は、ユーザの顔データの特徴量に基づいて、当該ユーザの似合うフレーム色について、フレーム色の種別毎に配点してある情報である。
したがって、玉型診断情報およびカラー診断情報は、前述した玉型配分情報およびカラー配分情報と同一の構成としておくことが好ましい。
以下、特徴診断部３１による各診断情報の特定手順の一例について説明する。
玉型診断情報は、ユーザの顔データの特徴量に基づいて、当該ユーザの似合う玉型について、玉型の種別毎に配点してある情報である。
また、カラー診断情報は、ユーザの顔データの特徴量に基づいて、当該ユーザの似合うフレーム色について、フレーム色の種別毎に配点してある情報である。
したがって、玉型診断情報およびカラー診断情報は、前述した玉型配分情報およびカラー配分情報と同一の構成としておくことが好ましい。
以下、特徴診断部３１による各診断情報の特定手順の一例について説明する。
＜４．２＞玉型診断情報の特定
（１）顔の特徴点の抽出（図５）
種々の方法で読み込んだ顔データを、公知の画像解析プログラムを用いて、特徴点を抽出する。
本実施例では、顔データの特徴点を抽出する画像解析プラグラムとして、Google社が提供するMedia Pipeに含まれる、Face Meshを用いている。
（１）顔の特徴点の抽出（図５）
種々の方法で読み込んだ顔データを、公知の画像解析プログラムを用いて、特徴点を抽出する。
本実施例では、顔データの特徴点を抽出する画像解析プラグラムとして、Google社が提供するMedia Pipeに含まれる、Face Meshを用いている。
（２）項目毎の特徴量の算出
抽出した顔の特徴点の位置関係から、顔の特徴量を項目毎に算出する。
顔の特徴量を算出する項目としては、例えば以下の表４に示す項目などが考えられる。
各項目には、後述する診断スコアの算出の際に重み付けを行うための重要度を割り当てておいてもよい。
抽出した顔の特徴点の位置関係から、顔の特徴量を項目毎に算出する。
顔の特徴量を算出する項目としては、例えば以下の表４に示す項目などが考えられる。
各項目には、後述する診断スコアの算出の際に重み付けを行うための重要度を割り当てておいてもよい。
［表４］
なお、上記した表４では、重要度の数値が小さい項目ほど、似合うアイウェアの抽出にあたってより重要な要素であることを指している。
（３）特徴量の計算例
以下、各項目で求める特徴量の計算例を示す。
なお、以下説明する、各項目において求める特徴量は、標準偏差をとって、値が０～１００の間に収まるように設計することができる。
以下、各項目で求める特徴量の計算例を示す。
なお、以下説明する、各項目において求める特徴量は、標準偏差をとって、値が０～１００の間に収まるように設計することができる。
（３．１）項目１（Ｃ１）：顔の長さ具合（図６）
顔の長さ具合（長い・短い）は、例えば以下の数式から求めることができる。
顔の長さ具合（長い・短い）は、例えば以下の数式から求めることができる。
［数１］
顔の長さ具合＝顔の縦幅／顔の横幅
顔の長さ具合＝顔の縦幅／顔の横幅
（３．１．１）顔の横幅（図６（ａ））
顔の横幅Ｅ１は、図６（ａ）に示す通り、顔の特徴点のうち、外側の点をつなぐラインを顔の輪郭線として抽出し、この輪郭線のうち、顎中央と、顎先以外を除き、左右の特徴点を上から順に直線で繋いで、各線分の長さを取得し、このうち最も長い線分の長さを顔の横幅Ｅ１とする。
顔の横幅Ｅ１は、図６（ａ）に示す通り、顔の特徴点のうち、外側の点をつなぐラインを顔の輪郭線として抽出し、この輪郭線のうち、顎中央と、顎先以外を除き、左右の特徴点を上から順に直線で繋いで、各線分の長さを取得し、このうち最も長い線分の長さを顔の横幅Ｅ１とする。
（３．１．２）顔の横幅（図６（ｂ））
顔の縦幅Ｅ２は、図６（ｂ）に示す通り、顔の特徴点のうち、眉の点を抽出し、眉頭下段の左右中央と顎先を直線で繋いだ長さを取得し、この長さを顔の縦幅Ｅ２とする。
顔の縦幅Ｅ２は、図６（ｂ）に示す通り、顔の特徴点のうち、眉の点を抽出し、眉頭下段の左右中央と顎先を直線で繋いだ長さを取得し、この長さを顔の縦幅Ｅ２とする。
（３．１．３）基準値の算出・特徴量の決定
上記数１で求めた顔の長さ具合の値を、標準偏差を用いて１００点満点の基準で採点したものを基準値とした。したがって、この基準値が大きいほど顔が長めであることになる。
なお、特徴量を、平均的な顔立ちからの離隔（特徴の強さ）を表す値として用いる際には、以下の数２に示す処理を加えても良い。この場合、特徴量は常に５１～１００の間で遷移することになる。
上記数１で求めた顔の長さ具合の値を、標準偏差を用いて１００点満点の基準で採点したものを基準値とした。したがって、この基準値が大きいほど顔が長めであることになる。
なお、特徴量を、平均的な顔立ちからの離隔（特徴の強さ）を表す値として用いる際には、以下の数２に示す処理を加えても良い。この場合、特徴量は常に５１～１００の間で遷移することになる。
［数２］
（１）基準値が１～５０未満の場合：特徴量＝１０１－基準値
（２）基準値が５１～１００の場合：特徴量＝基準値
（１）基準値が１～５０未満の場合：特徴量＝１０１－基準値
（２）基準値が５１～１００の場合：特徴量＝基準値
（３．２）項目２（Ｃ２）：顔のふっくら具合（図７）
顔のふっくら具合（ほっそり・ふっくら）は、例えば以下の数式から求めることができる。
顔のふっくら具合（ほっそり・ふっくら）は、例えば以下の数式から求めることができる。
［数３］
顔パーツの面積率＝顔パーツの下面積／顔の面積
顔パーツの面積率＝顔パーツの下面積／顔の面積
（３．２．１）顔の下面積（図７（ａ））
図７（ａ）に示す通り、顔の輪郭線と、顔の横幅Ｅ１で囲んだ範囲のうち、下方の領域の面積を、顔の下面積Ｆ１とする。
図７（ａ）に示す通り、顔の輪郭線と、顔の横幅Ｅ１で囲んだ範囲のうち、下方の領域の面積を、顔の下面積Ｆ１とする。
（３．２．２）顔パーツの面積Ｆ２（図７（ｂ））
図７（ｂ）に示す通り、まず、顔の特徴点から、眉尻、目尻、口の下部の点を抽出し、これらの点を繋いだ範囲のうち、顔の横幅Ｅ１で囲んだ範囲の下方の領域の面積を、顔パーツの面積Ｆ２とする。
図７（ｂ）に示す通り、まず、顔の特徴点から、眉尻、目尻、口の下部の点を抽出し、これらの点を繋いだ範囲のうち、顔の横幅Ｅ１で囲んだ範囲の下方の領域の面積を、顔パーツの面積Ｆ２とする。
（３．２．３）基準値の算出・特徴量の決定
この顔のふっくら具合の値を、標準偏差を用いて１００点満点の基準で採点したものを基準値とする。したがって、この基準値が大きいほど顔がほっそりしていることになる。
なお、特徴量を、平均的な顔立ちからの離隔（特徴の強さ）を表す値として用いる際には、前記した（３．１．３）の数２と同様の処理を行っても良い。
この顔のふっくら具合の値を、標準偏差を用いて１００点満点の基準で採点したものを基準値とする。したがって、この基準値が大きいほど顔がほっそりしていることになる。
なお、特徴量を、平均的な顔立ちからの離隔（特徴の強さ）を表す値として用いる際には、前記した（３．１．３）の数２と同様の処理を行っても良い。
（３．３）項目３（Ｃ３）：眉の直線具合（図８）
眉の直線具合（曲線的・直線的）は、例えば以下の数式から求めることができる。
眉の直線具合（曲線的・直線的）は、例えば以下の数式から求めることができる。
［数４］
眉の直線具合＝眉の角度（眉頭から眉山まで）の平均値
眉の直線具合＝眉の角度（眉頭から眉山まで）の平均値
（３．３．１）眉の角度（図８（ａ）（ｂ））
図８（ａ）に示す通り、まず、顔の特徴点から、眉の点を抽出し、眉下段で連続した三点で作られる角度を眉の角度Ｇとする。
これを眉頭から眉山まで順次求める。
図８（ａ）に示す通り、まず、顔の特徴点から、眉の点を抽出し、眉下段で連続した三点で作られる角度を眉の角度Ｇとする。
これを眉頭から眉山まで順次求める。
（３．３．２）眉山の判定（図８（ｂ））
図８（ｂ）に示す通り、眉山の判定は、前記（３．３．１）で求めた眉の角度Ｇ１，Ｇ２のうち、最も鋭角を構成した箇所を眉山とする。
図８（ｂ）に示す通り、眉山の判定は、前記（３．３．１）で求めた眉の角度Ｇ１，Ｇ２のうち、最も鋭角を構成した箇所を眉山とする。
（３．３．３）基準値の算出・特徴量の決定
この眉の角度Ｇ（Ｇ１，Ｇ２の平均値）の値を、標準偏差を用いて１００点満点の基準で採点したものを基準値とする。したがって、この基準値が大きいほど眉が直線的であることになる。
なお、特徴量を、平均的な顔立ちからの離隔（特徴の強さ）を表す値として用いる際には、前記した（３．１．３）の数２と同様の処理を行っても良い。
この眉の角度Ｇ（Ｇ１，Ｇ２の平均値）の値を、標準偏差を用いて１００点満点の基準で採点したものを基準値とする。したがって、この基準値が大きいほど眉が直線的であることになる。
なお、特徴量を、平均的な顔立ちからの離隔（特徴の強さ）を表す値として用いる際には、前記した（３．１．３）の数２と同様の処理を行っても良い。
（３．４）項目４（Ｃ４）：眉の上がり具合（図９）
眉の上がり具合（下降・上昇）は、例えば以下の数式から求めることができる。
眉の上がり具合（下降・上昇）は、例えば以下の数式から求めることができる。
［数５］
眉の上がり具合＝眉頭と眉尻を結んだ線の傾き
眉の上がり具合＝眉頭と眉尻を結んだ線の傾き
（３．４．１）眉尻の判定（図９（ａ））
図９（ａ）に示す通り、まず、顔の特徴点から眉の点を抽出し、眉上段の各点で、眉の高さ分の範囲から明度を計算し、この全ての明度の平均値よりも暗い明度を有する部分を眉尾から順に探し、眉尻Ｈ２とする。
図９（ａ）に示す通り、まず、顔の特徴点から眉の点を抽出し、眉上段の各点で、眉の高さ分の範囲から明度を計算し、この全ての明度の平均値よりも暗い明度を有する部分を眉尾から順に探し、眉尻Ｈ２とする。
（３．４．２）眉頭と眉尻を結んだ線の取得（図９（ｂ））
図９（ｂ）に示す通り、眉頭Ｈ１の上下段を結ぶ線の中央と、眉尻Ｈ２の上下段を結ぶ線の中央を直線で結んだ線を、「眉頭Ｈ１と眉尻Ｈ２を結んだ線Ｈ３」とする。
図９（ｂ）に示す通り、眉頭Ｈ１の上下段を結ぶ線の中央と、眉尻Ｈ２の上下段を結ぶ線の中央を直線で結んだ線を、「眉頭Ｈ１と眉尻Ｈ２を結んだ線Ｈ３」とする。
（３．４．３）基準値の算出・特徴量の決定
この「眉頭と眉尻を結んだ線Ｈ３」の値を、標準偏差を用いて１００点満点の基準で採点したものを基準値とした。したがって、この基準値が大きいほど眉が上昇していることになる。
なお、特徴量を、平均的な顔立ちからの離隔（特徴の強さ）を表す値として用いる際には、前記した（３．１．３）の数２と同様の処理を行っても良い。
この「眉頭と眉尻を結んだ線Ｈ３」の値を、標準偏差を用いて１００点満点の基準で採点したものを基準値とした。したがって、この基準値が大きいほど眉が上昇していることになる。
なお、特徴量を、平均的な顔立ちからの離隔（特徴の強さ）を表す値として用いる際には、前記した（３．１．３）の数２と同様の処理を行っても良い。
（３．５）項目５（Ｃ５）：眉の密度
眉の密度は、例えば以下の数式から求めることができる。
眉の密度は、例えば以下の数式から求めることができる。
［数６］
眉の密度＝眉の面積率＋眉のくっきり具合
眉の密度＝眉の面積率＋眉のくっきり具合
［数７］
眉の面積率＝眉の面積／顔の全面積
眉の面積率＝眉の面積／顔の全面積
［数８］
眉のくっきり具合＝肌の明度－眉の明度
眉のくっきり具合＝肌の明度－眉の明度
（３．５．１）顔の全面積（図１０（ａ））
本項目では、顔の全面積Ｉ１は、図１０（ａ）に示す通り、輪郭線で囲まれる全ての面積とする。
本項目では、顔の全面積Ｉ１は、図１０（ａ）に示す通り、輪郭線で囲まれる全ての面積とする。
（３．５．２）眉の面積・眉の明度（図１０（ｂ））
図１０（ｂ）に示す通り、顔の特徴点から、眉の点を抽出し、これらの点を結んだ線で囲んだ範囲から、眉と肌の平均明度よりも暗い箇所の面積を眉の面積Ｉ２とし、当該眉の面積Ｉ２内の明度平均を眉の明度とする。
図１０（ｂ）に示す通り、顔の特徴点から、眉の点を抽出し、これらの点を結んだ線で囲んだ範囲から、眉と肌の平均明度よりも暗い箇所の面積を眉の面積Ｉ２とし、当該眉の面積Ｉ２内の明度平均を眉の明度とする。
（３．５．３）肌の明度（図１０（ｃ））
図１０（ｃ）に示す通り、肌の明度測定の領域（肌明度測定領域Ｉ３）の横幅を、涙袋の左右外側とし、縦幅を涙袋の最下点から鼻頭までとした領域として、肌の明度を求める。
図１０（ｃ）に示す通り、肌の明度測定の領域（肌明度測定領域Ｉ３）の横幅を、涙袋の左右外側とし、縦幅を涙袋の最下点から鼻頭までとした領域として、肌の明度を求める。
（３．５．４）基準値の算出・特徴量の決定
この「眉の面積率」および「眉のくっきり具合」を、それぞれ標準偏差を用いて各５０点満点の基準で採点し、合計で１００点満点となるものを基準値とした。したがって、この基準値が大きいほど眉の密度が大きいことになる。
なお、特徴量を、平均的な顔立ちからの離隔（特徴の強さ）を表す値として用いる際には、前記した（３．１．３）の数２と同様の処理を行っても良い。
この「眉の面積率」および「眉のくっきり具合」を、それぞれ標準偏差を用いて各５０点満点の基準で採点し、合計で１００点満点となるものを基準値とした。したがって、この基準値が大きいほど眉の密度が大きいことになる。
なお、特徴量を、平均的な顔立ちからの離隔（特徴の強さ）を表す値として用いる際には、前記した（３．１．３）の数２と同様の処理を行っても良い。
（３．６）項目６（Ｃ６）：目と眉の距離の大きさ（図１１）
目と眉の距離の大きさは、例えば以下の数式から求めることができる。
目と眉の距離の大きさは、例えば以下の数式から求めることができる。
［数９］
目と眉の距離の大きさ＝目と眉の距離／目の縦幅
目と眉の距離の大きさ＝目と眉の距離／目の縦幅
［数１０］
目の縦幅＝目の上の高さ／目の下の高さ
目の縦幅＝目の上の高さ／目の下の高さ
［数１１］
目と眉の距離＝眉の高さ－目の下の高さ
目と眉の距離＝眉の高さ－目の下の高さ
（３．６．１）目の縦幅・目の上の高さ・目の下の高さ（図１１）
図１１に示す通り、各特徴点から、目の輪郭線を抽出し、この輪郭線の上段で最も高い位置を目の上の高さとし、輪郭線の下段で最も低い位置を目の下の高さとし、これらの差を目の縦幅Ｊ１とする。
図１１に示す通り、各特徴点から、目の輪郭線を抽出し、この輪郭線の上段で最も高い位置を目の上の高さとし、輪郭線の下段で最も低い位置を目の下の高さとし、これらの差を目の縦幅Ｊ１とする。
（３．６．２）目と眉の距離（図１１）
図１１に示す通り、顔の特徴点から、眉の点を抽出し、これらの点を結んだ線で囲んだ範囲のうち、眉頭Ｈ１下段の位置を眉の高さとし、前記した目の下の高さとの差を、目と眉の距離Ｊ２とする。
図１１に示す通り、顔の特徴点から、眉の点を抽出し、これらの点を結んだ線で囲んだ範囲のうち、眉頭Ｈ１下段の位置を眉の高さとし、前記した目の下の高さとの差を、目と眉の距離Ｊ２とする。
（３．６．３）基準値の算出・特徴量の決定
この「目と眉の距離の大きさ」を、標準偏差を用いて１００点満点の基準で採点したものを基準値とする。したがって、この基準値が大きいほど目と眉の距離が大きいことになる。
なお、特徴量を、平均的な顔立ちからの離隔（特徴の強さ）を表す値として用いる際には、前記した（３．１．３）の数２と同様の処理を行っても良い。
この「目と眉の距離の大きさ」を、標準偏差を用いて１００点満点の基準で採点したものを基準値とする。したがって、この基準値が大きいほど目と眉の距離が大きいことになる。
なお、特徴量を、平均的な顔立ちからの離隔（特徴の強さ）を表す値として用いる際には、前記した（３．１．３）の数２と同様の処理を行っても良い。
（４）診断スコアの算出
上記した各項目で計算した特徴量に、スタイリストによる似合いやすさの判断基準を模擬したパラメータ（個性パラメータ３１１）を乗算して、玉型毎にスコア値を割り出した診断スコア（玉型用診断スコア）を算出する。
本発明において算出する診断スコアの数は限定せず、単一でも複数であってもよい。
（４．１）個性パラメータの例（図４）
個性パラメータ３１１は、似合うアイウェアの選定基準に影響を与えるための変数である。
個性パラメータ３１１は、例えばアイウェアを提案するスタリスト毎に任意に設定することができ、例えば男性への提案を得意とするスタイリスト、若者への提案を得意とするスタイリスト、カジュアル指向の提案を得意とするスタイリストなど、性別、年齢、ファッション傾向など、各スタイリストの個性を模擬する形で設計することができる。
なお、各個性パラメータ３１１は、正値だけでなく負値を設定してもよい。
本実施例では、似合う玉型を選定する個性パラメータ３１１として、２つの変数を用意している（第１の変数、第２の変数）。
以下、各個性パラメータ３１１の詳細の一例について説明する。
上記した各項目で計算した特徴量に、スタイリストによる似合いやすさの判断基準を模擬したパラメータ（個性パラメータ３１１）を乗算して、玉型毎にスコア値を割り出した診断スコア（玉型用診断スコア）を算出する。
本発明において算出する診断スコアの数は限定せず、単一でも複数であってもよい。
（４．１）個性パラメータの例（図４）
個性パラメータ３１１は、似合うアイウェアの選定基準に影響を与えるための変数である。
個性パラメータ３１１は、例えばアイウェアを提案するスタリスト毎に任意に設定することができ、例えば男性への提案を得意とするスタイリスト、若者への提案を得意とするスタイリスト、カジュアル指向の提案を得意とするスタイリストなど、性別、年齢、ファッション傾向など、各スタイリストの個性を模擬する形で設計することができる。
なお、各個性パラメータ３１１は、正値だけでなく負値を設定してもよい。
本実施例では、似合う玉型を選定する個性パラメータ３１１として、２つの変数を用意している（第１の変数、第２の変数）。
以下、各個性パラメータ３１１の詳細の一例について説明する。
（４．１．１）第１の変数（玉型の提案傾向）
第１の変数は、スタイリストからみて、ユーザの顔の特徴に対する、玉型毎の似合いやすさの程度を相対化した数値である。
例えば、模擬対象のスタイリストが、顔データから得られる特定の特徴に対し、「オーバル形状」よりも「スクエア形状」のアイウェアを提案したい傾向が強い場合には、「スクエア」の項目にある第１の変数には、「オーバル」の項目にある第１の変数よりも大きな正値が設定されることになる。
第１の変数は、スタイリストからみて、ユーザの顔の特徴に対する、玉型毎の似合いやすさの程度を相対化した数値である。
例えば、模擬対象のスタイリストが、顔データから得られる特定の特徴に対し、「オーバル形状」よりも「スクエア形状」のアイウェアを提案したい傾向が強い場合には、「スクエア」の項目にある第１の変数には、「オーバル」の項目にある第１の変数よりも大きな正値が設定されることになる。
（４．１．２）第２の変数（項目別の重要度）
第２の変数は、スタイリストが、アイウェアの玉型の似合いやすさを判断するにあたり、各項目の中からどの項目を重要視するか否かを判断するための変数である。
例えば、模擬対象のスタイリストが、顔の形状（長さやふっくらさ）よりも「眉の形状（直線具合や上がり具合）」を重要視する場合には、前記した項目１，２でのスコア値の算出に用いる第２の変数よりも、項目３，４でのスコア値の算出に用いる第２の変数に、より大きな値が設定されることになる。
第２の変数は、スタイリストが、アイウェアの玉型の似合いやすさを判断するにあたり、各項目の中からどの項目を重要視するか否かを判断するための変数である。
例えば、模擬対象のスタイリストが、顔の形状（長さやふっくらさ）よりも「眉の形状（直線具合や上がり具合）」を重要視する場合には、前記した項目１，２でのスコア値の算出に用いる第２の変数よりも、項目３，４でのスコア値の算出に用いる第２の変数に、より大きな値が設定されることになる。
（４．２）診断スコアの算出例
次に、各項目を用いた診断スコアの一例について、以下の表５～表７を参照しながら算出イメージを説明する。
なお、本発明の実施において、診断スコアの数は特段限定するものではなく、また、適宜設計変更が可能であることは言うまでも無い。
次に、各項目を用いた診断スコアの一例について、以下の表５～表７を参照しながら算出イメージを説明する。
なお、本発明の実施において、診断スコアの数は特段限定するものではなく、また、適宜設計変更が可能であることは言うまでも無い。
（４．２．１）第１の診断スコア：項目１、２（顔の形状関連）
第１の診断スコアは、顔の形状を診断対象とするものであり、前記した項目１，２（顔の長さ、顔のふっくらさ）をベースに算出する。
本実施例では、項目１，２でそれぞれ求めた特徴量の平均値を特徴量とし、当該特徴量に、個性パラメータ３１１として予め設定されている、第１の変数および第２の変数を乗算した値をスコア値としている。このスコア値を玉形毎に求めた表を、表５に示す。
第１の診断スコアは、顔の形状を診断対象とするものであり、前記した項目１，２（顔の長さ、顔のふっくらさ）をベースに算出する。
本実施例では、項目１，２でそれぞれ求めた特徴量の平均値を特徴量とし、当該特徴量に、個性パラメータ３１１として予め設定されている、第１の変数および第２の変数を乗算した値をスコア値としている。このスコア値を玉形毎に求めた表を、表５に示す。
［表５］
（４．２．２）第２の診断スコア：項目３：眉形状１（曲線的・直線的）
第２の診断スコアは、眉の形状（曲線的か直線的か）を診断対象とするものであり、前記した項目３をベースに算出する。
本実施例では、項目３で求めた特徴量に、個性パラメータ３１１として新たに設定されている、第１の変数および第２の変数を乗算した値をスコア値としている。このスコア値を玉形毎に求めた表を、表６に示す。
第２の診断スコアは、眉の形状（曲線的か直線的か）を診断対象とするものであり、前記した項目３をベースに算出する。
本実施例では、項目３で求めた特徴量に、個性パラメータ３１１として新たに設定されている、第１の変数および第２の変数を乗算した値をスコア値としている。このスコア値を玉形毎に求めた表を、表６に示す。
［表６］
（４．２．３）第３の診断スコア：項目４：眉形状２（下降・上昇）
第３の診断スコアは、眉の形状（下降眉か上昇眉か）を診断対象とするものであり、前記した項目４をベースに算出する。
本実施例では、項目４で求めた特徴量に、個性パラメータ３１１として新たに設定されている、第１の変数および第２の変数を乗算した値をスコア値としている。このスコア値を玉形毎に求めた表を表７に示す。
第３の診断スコアは、眉の形状（下降眉か上昇眉か）を診断対象とするものであり、前記した項目４をベースに算出する。
本実施例では、項目４で求めた特徴量に、個性パラメータ３１１として新たに設定されている、第１の変数および第２の変数を乗算した値をスコア値としている。このスコア値を玉形毎に求めた表を表７に示す。
［表７］
（５）各玉型診断情報の確定（図１２）
次に、各項目で求めた診断スコアから、玉型診断情報を求める。
例えば、フレーム種別が５種、診断スコアがＮ種類ある場合には、各診断スコアから一つずつ玉型種別を取り出した組合せの数は、５のＮ乗（５Ｎ）となる。
よって、上記した表５～表７の通り、診断スコアが３種存在する場合、５の３乗（１２５）の組合せが存在することになる。
そして、この１２５種の組合せのうち、最も合算値の高い組合せは、表４のスクエア（スコア値：９６０）、表５のスクエア（スコア値：６３０）、表６のオーバル（スコア値：４００）をそれぞれ抜き出した組合せ（合算値：１９９０）となる。
この組合せによる玉型毎のスコア値を加算してなる配点情報を、玉型診断情報として決定する。玉型診断情報の構成を以下の表８に示す。
次に、各項目で求めた診断スコアから、玉型診断情報を求める。
例えば、フレーム種別が５種、診断スコアがＮ種類ある場合には、各診断スコアから一つずつ玉型種別を取り出した組合せの数は、５のＮ乗（５Ｎ）となる。
よって、上記した表５～表７の通り、診断スコアが３種存在する場合、５の３乗（１２５）の組合せが存在することになる。
そして、この１２５種の組合せのうち、最も合算値の高い組合せは、表４のスクエア（スコア値：９６０）、表５のスクエア（スコア値：６３０）、表６のオーバル（スコア値：４００）をそれぞれ抜き出した組合せ（合算値：１９９０）となる。
この組合せによる玉型毎のスコア値を加算してなる配点情報を、玉型診断情報として決定する。玉型診断情報の構成を以下の表８に示す。
［表８］
＜４．３＞カラー診断情報の特定
カラー診断情報についても、玉型診断情報の特定と同様、各項目から算出した特徴量と、フレーム色の判定のために用意した個性パラメータ３１１を用いた診断スコア（カラー用診断スコア）を算出し、この組合せ群からもっとも合算値の大きな組合せをカラー診断情報として選定する処理を行うことになる。
したがって、個性パラメータ３１１や、カラー用診断スコアの一例の表示および説明は省略する。
カラー診断情報の一例を以下の表９に示す。
カラー診断情報についても、玉型診断情報の特定と同様、各項目から算出した特徴量と、フレーム色の判定のために用意した個性パラメータ３１１を用いた診断スコア（カラー用診断スコア）を算出し、この組合せ群からもっとも合算値の大きな組合せをカラー診断情報として選定する処理を行うことになる。
したがって、個性パラメータ３１１や、カラー用診断スコアの一例の表示および説明は省略する。
カラー診断情報の一例を以下の表９に示す。
［表９］
＜４．４＞商品絞込部
商品絞込部３２は、特徴診断部３１から得た、玉型診断情報およびカラー診断情報に基づいて、当該診断情報に近似する玉型配分情報およびカラー配分情報を有するアイウェアを、データベース２０を参照して抽出する機能を有する。
商品絞込部３２による処理手順の一例について以下説明する。
商品絞込部３２は、特徴診断部３１から得た、玉型診断情報およびカラー診断情報に基づいて、当該診断情報に近似する玉型配分情報およびカラー配分情報を有するアイウェアを、データベース２０を参照して抽出する機能を有する。
商品絞込部３２による処理手順の一例について以下説明する。
（１）各診断情報に対する種別配分の算出（図１３）
はじめに、玉型診断情報、カラー診断情報それぞれについて、合算値に対する各種別のスコア値が占める割合を％表示で計算しておく。
前述した、表７に係る玉型診断情報の場合、合算値：１９９０に対し、スクエアの値：９６０＋６３０＝１５９０と、バレルの値：４００を割合表示（％表示）した種別成分は、スクエア：約８０％、バレル約２０％となる。（図１３（ａ））
また、表８に係るカラー診断情報の場合、合算値：１２００に対し、ブラックの値：５００と、グレーの値：５００と、シルバーの値：２００を、割合表示した種別成分は、ブラック：約４２％、グレー：約４２％、シルバー：約１６％となる。（図１３（ｂ））
なお、種別成分に負値が存在する場合には、当該種別成分は０と扱って割合計算を行えばよい。
はじめに、玉型診断情報、カラー診断情報それぞれについて、合算値に対する各種別のスコア値が占める割合を％表示で計算しておく。
前述した、表７に係る玉型診断情報の場合、合算値：１９９０に対し、スクエアの値：９６０＋６３０＝１５９０と、バレルの値：４００を割合表示（％表示）した種別成分は、スクエア：約８０％、バレル約２０％となる。（図１３（ａ））
また、表８に係るカラー診断情報の場合、合算値：１２００に対し、ブラックの値：５００と、グレーの値：５００と、シルバーの値：２００を、割合表示した種別成分は、ブラック：約４２％、グレー：約４２％、シルバー：約１６％となる。（図１３（ｂ））
なお、種別成分に負値が存在する場合には、当該種別成分は０と扱って割合計算を行えばよい。
（２）診断情報と近似値の算出（図１４）
データベース２０に蓄積されたアイウェアの一部または全部に対し、各アイウェアに紐付けられている玉型配分情報と、玉型診断情報との近似値（玉型側近似値）を計算する。
この近似値の計算には、コサイン類似度などを用いることができる。コサイン類似度は０～１．０の範囲で定まり、数値の大きいものほど種別成分に近似する割合を有するアイウェアであることになる。
同じように、データベース２０に蓄積されたアイウェアの全てに対し、各アイウェアに紐付けられているカラー配分情報と、カラー診断情報との近似値（カラー側近似値）を計算する。
よって、玉型側近似値とカラー側近似値の合算値（合算近似値）は、０．０～２．０の範囲に収まることとなる。
この合算近似値が高いアイウェアほど、ユーザに似合うアイウェアであると判断することができる。
データベース２０に蓄積されたアイウェアの一部または全部に対し、各アイウェアに紐付けられている玉型配分情報と、玉型診断情報との近似値（玉型側近似値）を計算する。
この近似値の計算には、コサイン類似度などを用いることができる。コサイン類似度は０～１．０の範囲で定まり、数値の大きいものほど種別成分に近似する割合を有するアイウェアであることになる。
同じように、データベース２０に蓄積されたアイウェアの全てに対し、各アイウェアに紐付けられているカラー配分情報と、カラー診断情報との近似値（カラー側近似値）を計算する。
よって、玉型側近似値とカラー側近似値の合算値（合算近似値）は、０．０～２．０の範囲に収まることとなる。
この合算近似値が高いアイウェアほど、ユーザに似合うアイウェアであると判断することができる。
（３）最終絞り込み
データベース２０に蓄積されたアイウェアの全てについて合算近似値が算出された後は、これらを数値の高い順に並べ替えることで、ユーザに似合う順にアイウェアがソートされることになる。
なお、ソート対象は、あらかじめユーザの選択（形状、色、価格帯などの諸条件）によって母集団を絞ったものであってもよい。
なお、抽出結果は、最も近似値の合算値が高いアイウェア一つを抽出するものとしてもよい。
データベース２０に蓄積されたアイウェアの全てについて合算近似値が算出された後は、これらを数値の高い順に並べ替えることで、ユーザに似合う順にアイウェアがソートされることになる。
なお、ソート対象は、あらかじめユーザの選択（形状、色、価格帯などの諸条件）によって母集団を絞ったものであってもよい。
なお、抽出結果は、最も近似値の合算値が高いアイウェア一つを抽出するものとしてもよい。
＜５＞試着手段（図１５）
試着手段４０は、選定手段３０で抽出されたアイウェアのアイウェア画像を、ユーザの顔データに合成してなる試着画像を生成・表示する機能を有する。
図１５に示すように、本発明では、試着手段４０を、機能毎に、試着画像生成部４１、試着画像保存部４２、試着画像一覧表示部４３と区分けしている。
以下、各部の詳細について説明する。
試着手段４０は、選定手段３０で抽出されたアイウェアのアイウェア画像を、ユーザの顔データに合成してなる試着画像を生成・表示する機能を有する。
図１５に示すように、本発明では、試着手段４０を、機能毎に、試着画像生成部４１、試着画像保存部４２、試着画像一覧表示部４３と区分けしている。
以下、各部の詳細について説明する。
＜５．１＞試着画像生成部（図１５）
試着画像生成部４１は、アイウェア画像と顔データとを合成してなる試着画像を生成し、画面表示する機能を有する。
試着画像生成部４１は、アイウェア画像と顔データとを合成してなる試着画像を生成し、画面表示する機能を有する。
（１）合成方法
顔データにアイウェア画像を合成する方法は特段限定せず、公知の手法を用いることができるが、特に、以下の以下の画像処理を行うこともできる。
顔データにアイウェア画像を合成する方法は特段限定せず、公知の手法を用いることができるが、特に、以下の以下の画像処理を行うこともできる。
（１．１）顔データのサイズ調整処理
例えば、以下の処理でもって、顔データに対するアイウェア画像のサイズを調整することが考えられる。
［調整処理例１］
ユーザ以外の基準物体（クレジットカード、硬貨など）を含めて撮影した画像からに顔データのサイズを割り出し、アイウェアの寸法情報を参考に、当該サイズに合うようにアイウェア画像をサイズ調整（拡大・縮小）する方法。
［調整処理例２］
ユーザの生体情報である虹彩のサイズが、体格によらずに概ね所定の大きさであることに着目して、顔データのサイズを割り出し、アイウェアの寸法情報を参考に、当該サイズに合うようにアイウェア画像をサイズ調整（拡大・縮小）する方法。
例えば、以下の処理でもって、顔データに対するアイウェア画像のサイズを調整することが考えられる。
［調整処理例１］
ユーザ以外の基準物体（クレジットカード、硬貨など）を含めて撮影した画像からに顔データのサイズを割り出し、アイウェアの寸法情報を参考に、当該サイズに合うようにアイウェア画像をサイズ調整（拡大・縮小）する方法。
［調整処理例２］
ユーザの生体情報である虹彩のサイズが、体格によらずに概ね所定の大きさであることに着目して、顔データのサイズを割り出し、アイウェアの寸法情報を参考に、当該サイズに合うようにアイウェア画像をサイズ調整（拡大・縮小）する方法。
（１．２）顔データやアイウェア画像の立体化処理
顔データの撮影装置が、二眼式のデプスカメラやＬｉＤＡＲスキャナを具備することで深度情報や立体形状を把握可能である場合には、当該情報を用いて顔データに立体化処理を施したものを合成対象の顔データとすることができる。
また、アイウェアを正面側と側面側からそれぞれ撮影した画像に基づいて生成したアイウェアの立体モデルを合成対象のアイウェア画像とすることもできる。
顔データの撮影装置が、二眼式のデプスカメラやＬｉＤＡＲスキャナを具備することで深度情報や立体形状を把握可能である場合には、当該情報を用いて顔データに立体化処理を施したものを合成対象の顔データとすることができる。
また、アイウェアを正面側と側面側からそれぞれ撮影した画像に基づいて生成したアイウェアの立体モデルを合成対象のアイウェア画像とすることもできる。
（２）各画像の試着画像の表示方法
合成前の顔データおよびアイウェア画像、試着画像を画面上にどのように表示するかについては特段限定せず、公知の表示態様を用いることができるが、特に、複数のアイウェア画像を一覧表示した状態で、任意のアイウェア画像をユーザが選択することによって、画面上に表示している顔データに、選択したアイウェアが合成されて、試着画像に置き換わる形で表示される態様が望ましい。
合成前の顔データおよびアイウェア画像、試着画像を画面上にどのように表示するかについては特段限定せず、公知の表示態様を用いることができるが、特に、複数のアイウェア画像を一覧表示した状態で、任意のアイウェア画像をユーザが選択することによって、画面上に表示している顔データに、選択したアイウェアが合成されて、試着画像に置き換わる形で表示される態様が望ましい。
＜５．２＞試着画像保存部（図１５）
試着画像保存部４２は、試着画像生成部４１で生成・表示した試着画像を保存する機能を有する。
当該機能を有することで、異なるアイウェアを試着していく過程で、購入候補に挙げられるアイウェアを保存しておくことで、後述する試着画像一覧表示部４３による、試着画像の一覧表示の対象とすることができる。
試着画像保存部４２は、試着画像生成部４１で生成・表示した試着画像を保存する機能を有する。
当該機能を有することで、異なるアイウェアを試着していく過程で、購入候補に挙げられるアイウェアを保存しておくことで、後述する試着画像一覧表示部４３による、試着画像の一覧表示の対象とすることができる。
なお、本発明において保存される試着画像は、ユーザによる手動選択に限らず、例えば合算近似値の高い順から複数個のアイウェアを顔データに自動的に合成して得られた試着画像であってもよい。
＜５．３＞試着画像一覧表示部（図１５）
試着画像一覧表示部４３は、試着画像保存部４２で保存された複数の前記試着画像から少なくとも二つ以上の試着画像を画面上に一覧表示する機能を有する。
当該機能を有することで、ユーザが購入候補に挙げたアイウェアの試着画像や、システム側から提案されたアイウェアの試着画像の試着画像を対比検討することができ、ユーザの気に入ったアイウェアを選択する作業の利便性が向上する。
試着画像一覧表示部４３は、試着画像保存部４２で保存された複数の前記試着画像から少なくとも二つ以上の試着画像を画面上に一覧表示する機能を有する。
当該機能を有することで、ユーザが購入候補に挙げたアイウェアの試着画像や、システム側から提案されたアイウェアの試着画像の試着画像を対比検討することができ、ユーザの気に入ったアイウェアを選択する作業の利便性が向上する。
＜６＞使用イメージ（画面遷移）（図１６～図１９）
次に、本発明に係るアイウェア仮想試着システムＡの使用時における、ユーザの操作端末Ｄでの画面遷移のイメージについて図１６～図１９を参照しながら説明する。
なお、前述した分類手段１０によって、多数のアイウェアのアイウェア画像および分類結果が既にデータベース２０に蓄積されている状態を想定している。
次に、本発明に係るアイウェア仮想試着システムＡの使用時における、ユーザの操作端末Ｄでの画面遷移のイメージについて図１６～図１９を参照しながら説明する。
なお、前述した分類手段１０によって、多数のアイウェアのアイウェア画像および分類結果が既にデータベース２０に蓄積されている状態を想定している。
（１）顔データの読み込み（図１６）
本システムの利用開始時には、まずユーザの顔データの取り込みを行う。
図１６（ａ）に示す顔データ取込画面Ｋ１は、操作端末Ｄに備えたカメラでもって顔データの撮影を行う画面であり、撮影画像中の顔の大きさや位置を調整するためのガイド線が表示されており、当該ガイド線を基準にユーザが自身の顔データの撮影を行う。
顔データの撮影後は、前述した選定手段３０による、アイウェアの選定作業が実行され、選定結果が出力されるまでの期間、顔データのスキャン中であることのメッセージを表示する、選定中画面Ｋ２に遷移する（図１６（ｂ））。
本システムの利用開始時には、まずユーザの顔データの取り込みを行う。
図１６（ａ）に示す顔データ取込画面Ｋ１は、操作端末Ｄに備えたカメラでもって顔データの撮影を行う画面であり、撮影画像中の顔の大きさや位置を調整するためのガイド線が表示されており、当該ガイド線を基準にユーザが自身の顔データの撮影を行う。
顔データの撮影後は、前述した選定手段３０による、アイウェアの選定作業が実行され、選定結果が出力されるまでの期間、顔データのスキャン中であることのメッセージを表示する、選定中画面Ｋ２に遷移する（図１６（ｂ））。
（２）候補の表示・試着・保存（図１７）
選定手段３０による選定作業が完了すると、前述した試着手段４０でもって、画面右欄に、「ＡＩお勧めランキング」などの文章とともに、各診断情報に近似する各配分情報を有するアイウェアのアイウェア画像が、近似順に表示される、試着画面Ｌ２が表示される。
ユーザが、画面右欄に表示されるアイウェア画像Ｌ１を選択すると、画面左欄に表示される顔データＬ２に、当該アイウェア画像Ｌ１が合成された試着画像Ｌ３が表示される。
その他、画面左欄には、商品絞込部３２でアイウェア毎に算出された近似値を「似合い度」として表示することもできる。
ユーザは、試着画像Ｌ３を確認して、アイウェアを気に入った場合には、画面上の保存ボタンＬ４を選択することにより、前述した試着画像保存部４２によって、当該試着画像Ｌ３が保存される。
ユーザは、このアイウェアの仮想試着と保存を適宜繰り返して、購入対象の絞り込みを行っていく。
選定手段３０による選定作業が完了すると、前述した試着手段４０でもって、画面右欄に、「ＡＩお勧めランキング」などの文章とともに、各診断情報に近似する各配分情報を有するアイウェアのアイウェア画像が、近似順に表示される、試着画面Ｌ２が表示される。
ユーザが、画面右欄に表示されるアイウェア画像Ｌ１を選択すると、画面左欄に表示される顔データＬ２に、当該アイウェア画像Ｌ１が合成された試着画像Ｌ３が表示される。
その他、画面左欄には、商品絞込部３２でアイウェア毎に算出された近似値を「似合い度」として表示することもできる。
ユーザは、試着画像Ｌ３を確認して、アイウェアを気に入った場合には、画面上の保存ボタンＬ４を選択することにより、前述した試着画像保存部４２によって、当該試着画像Ｌ３が保存される。
ユーザは、このアイウェアの仮想試着と保存を適宜繰り返して、購入対象の絞り込みを行っていく。
（３）ユーザ自身によるアイウェアの検索（図１８）
図１８は、試着画面Ｌにおいて、選定手段３０によって選定されたアイウェアのアイウェア画像を表示する形ではなく、従来行われている、性別、玉型、フレームカラーなどの情報から、ユーザ自身がアイウェアの絞り込みを行って適宜仮想試着を行う際の画面イメージを示している。
ユーザ自身で絞り込みを行って生成した試着画像も、画面上の保存ボタンを選択することによって、試着画像を保存することができる。
図１８は、試着画面Ｌにおいて、選定手段３０によって選定されたアイウェアのアイウェア画像を表示する形ではなく、従来行われている、性別、玉型、フレームカラーなどの情報から、ユーザ自身がアイウェアの絞り込みを行って適宜仮想試着を行う際の画面イメージを示している。
ユーザ自身で絞り込みを行って生成した試着画像も、画面上の保存ボタンを選択することによって、試着画像を保存することができる。
（４）試着画像の一覧表示（図１９）
仮想試着を繰り返していくうちに、ユーザは、どのアイウェアが最も好ましいものであったかの記憶が曖昧となり、何度も試着画像の確認を繰り返すことになる。
そこで、本発明では、前述した試着画像一覧表示部４３でもって、プルダウンメニューなどから一覧表示のボタンを選択することにより、図１９に示す一覧表示画面Ｍを表示するよう構成する。
一覧表示画面Ｍの画面右欄には、これまでに保存した複数の試着画像Ｌ３がサムネイル形式で一覧表示されており、このサムネイルを選択することで、画面右欄に該当の試着画像Ｌ３を表示するよう構成している。
また、各サムネイルには、保存対象から除外するためのボタンや、選定手段３０によって選ばれたアイウェアであるか否かを示す印（「ＡＩ」の文字）等が併せて表示されている。
ユーザはこの一覧を確認し、適宜試着画像Ｌ３の再確認や、候補からの除外を行って、最も気に入ったアイウェアを選び、購入画面へと進むことができる。
仮想試着を繰り返していくうちに、ユーザは、どのアイウェアが最も好ましいものであったかの記憶が曖昧となり、何度も試着画像の確認を繰り返すことになる。
そこで、本発明では、前述した試着画像一覧表示部４３でもって、プルダウンメニューなどから一覧表示のボタンを選択することにより、図１９に示す一覧表示画面Ｍを表示するよう構成する。
一覧表示画面Ｍの画面右欄には、これまでに保存した複数の試着画像Ｌ３がサムネイル形式で一覧表示されており、このサムネイルを選択することで、画面右欄に該当の試着画像Ｌ３を表示するよう構成している。
また、各サムネイルには、保存対象から除外するためのボタンや、選定手段３０によって選ばれたアイウェアであるか否かを示す印（「ＡＩ」の文字）等が併せて表示されている。
ユーザはこの一覧を確認し、適宜試着画像Ｌ３の再確認や、候補からの除外を行って、最も気に入ったアイウェアを選び、購入画面へと進むことができる。
実施例１で説明した、分類手段１０、選定手段３０および試着手段４０は、それぞれ独立したシステム（アイウェア分類システム、アイウェア選定システム、アイウェア試着システム）として使用することができる。
したがって、既存のアイウェア試着システムで使用するデータベースの構築のために前記アイウェア分類システムのみを使用する場合や、機械学習を用いることなく蓄積されたデータベースに対し、前記アイウェア選定システムのみを使用する場合や、既存のアイウェア試着システムにおいて、ユーザが最終的に好みのアイウェアを選択する際の支援として、前記アイウェア試着システムのみを用いる場合などは、何れも本発明の範囲に含まれることは言うまでも無い。
したがって、既存のアイウェア試着システムで使用するデータベースの構築のために前記アイウェア分類システムのみを使用する場合や、機械学習を用いることなく蓄積されたデータベースに対し、前記アイウェア選定システムのみを使用する場合や、既存のアイウェア試着システムにおいて、ユーザが最終的に好みのアイウェアを選択する際の支援として、前記アイウェア試着システムのみを用いる場合などは、何れも本発明の範囲に含まれることは言うまでも無い。
Ａ ：アイウェア仮想試着システム
Ｂ ：ネットワーク
Ｃ ：ユーザ
Ｄ ：操作端末
１０ ：分類手段
１１ ：ニューラルネットワーク
１２ ：機械学習部
１３ ：推定部
２０ ：データベース
３０ ：選定手段
３１ ：特徴診断部
３１１：個性パラメータ
３２ ：商品絞込部
４０ ：試着手段
４１ ：試着画像生成部
４２ ：試着画像保存部
４３ ：試着画像一覧表示部
Ｅ１ ：顔の横幅
Ｅ２ ：顔の縦幅
Ｆ１ ：顔の下面積
Ｆ２ ：顔パーツの面積
Ｇ ：眉の角度
Ｈ１ ：眉頭
Ｈ２ ：眉尻
Ｈ３ ：眉頭と眉尻を結んだ線
Ｉ１ ：顔の全面積
Ｉ２ ：眉領域
Ｉ３ ：肌明度測定領域
Ｊ１ ：目の縦幅
Ｊ２ ：目と眉の距離
Ｋ１ ：顔データ取込画面
Ｋ２ ：選定中画面
Ｌ ：試着画面
Ｌ１ ：アイウェア画像
Ｌ２ ：顔データ
Ｌ３ ：試着画像
Ｌ４ ：保存ボタン
Ｍ ：一覧表示画面
Ｂ ：ネットワーク
Ｃ ：ユーザ
Ｄ ：操作端末
１０ ：分類手段
１１ ：ニューラルネットワーク
１２ ：機械学習部
１３ ：推定部
２０ ：データベース
３０ ：選定手段
３１ ：特徴診断部
３１１：個性パラメータ
３２ ：商品絞込部
４０ ：試着手段
４１ ：試着画像生成部
４２ ：試着画像保存部
４３ ：試着画像一覧表示部
Ｅ１ ：顔の横幅
Ｅ２ ：顔の縦幅
Ｆ１ ：顔の下面積
Ｆ２ ：顔パーツの面積
Ｇ ：眉の角度
Ｈ１ ：眉頭
Ｈ２ ：眉尻
Ｈ３ ：眉頭と眉尻を結んだ線
Ｉ１ ：顔の全面積
Ｉ２ ：眉領域
Ｉ３ ：肌明度測定領域
Ｊ１ ：目の縦幅
Ｊ２ ：目と眉の距離
Ｋ１ ：顔データ取込画面
Ｋ２ ：選定中画面
Ｌ ：試着画面
Ｌ１ ：アイウェア画像
Ｌ２ ：顔データ
Ｌ３ ：試着画像
Ｌ４ ：保存ボタン
Ｍ ：一覧表示画面
Claims (14)
- ユーザが操作する端末の画面上でアイウェアの仮想試着を可能とする、アイウェア仮想試着システムであって、
アイウェア画像を読み込んで、アイウェアの分類結果を出力する、分類手段と、
アイウェア毎に、少なくとも試着用データおよび前記分類結果を蓄積する、データベースと、
ユーザの顔データに基づいて、前記データベースから少なくとも一つ以上のアイウェアを選定する、選定手段と、
選定されたアイウェアの試着用データをユーザの顔データに合成してなる試着画像を生成・表示する、試着手段と、
を少なくとも具備し、
前記分類手段が、
入力層と出力層とを備え、前記入力層の入力データをアイウェアの撮影画像とし、前記出力層の出力データを当該アイウェアの玉型情報およびフレーム色情報とする、ニューラルネットワークと、
前記入力データ及び前記出力データの実績値を教師データとして前記ニューラルネットワークを学習させる、機械学習部と、
前記機械学習部にて学習させたニューラルネットワークに、前記アイウェア画像を入力し、当該アイウェア画像に対する、玉型の種別毎の推定情報からなる玉型配分情報、およびフレーム色の種別毎の推定情報からなるカラー配分情報を求める、推定部と、
を少なくとも含み、
前記選定手段が、
ユーザの顔データから求めた特徴量に基づいて、玉型の種別毎の配点情報を含む、玉型診断情報と、フレーム色の種別毎の配点情報を含む、カラー診断情報を算出する、特徴診断部と、
前記データベースを参照して、前記玉型診断情報およびカラー診断情報に近似する前記玉型配分情報およびカラー配分情報を有するアイウェアを抽出する、商品絞込部と、
を少なくとも含み、
前記試着手段が、
前記選定手段で選定されたアイウェアの中から、ユーザが選択したアイウェアの試着用データを前記顔データに合成してなる試着画像を生成する、試着画像生成部と、
前記試着画像を保存可能な、試着画像保存部と、
保存された複数の前記試着画像から少なくとも二つ以上の試着画像を画面上に一覧表示する、試着画像一覧表示部と、
を少なくとも含む、
ことを特徴とする、アイウェア仮想試着システム。 - 前記特徴診断部において、
玉型診断情報およびカラー診断情報の算出に、スタイリストの選定基準を模擬するように玉型毎およびカラー毎に予め設定される、個性パラメータを用いることを特徴とする、
請求項１に記載のアイウェア仮想試着システム。 - 前記特徴診断部において、
前記玉型診断情報が、
ユーザの顔データから算出した複数項目の特徴量のうち、任意の項目の特徴量と、前記個性パラメータの乗算でもって、玉型毎にスコア値を算出した、玉型用診断スコアを少なくとも１つ以上求める処理と、
各玉型用診断スコアから、何れか１つの玉型種別のスコア値を抜き出してなる組合せを生成し、当該組合せの中で、各スコア値の合算値が最大の組合せを、玉型診断情報とする処理と、
によって生成されることを特徴とする、
請求項２に記載のアイウェア仮想試着システム。 - 前記特徴診断部において、
前記カラー診断情報が、
ユーザの顔データから算出した複数項目の特徴量のうち、任意の項目の特徴量と、前記個性パラメータの乗算でもって、フレーム色毎にスコア値を算出した、カラー用診断スコアを少なくとも１つ以上求める処理と、
各カラー用診断スコアから、何れか１つのフレーム色種別のスコア値を抜き出してなる組合せを生成し、当該組合せの中で、各スコア値の合算値が最大の組合せを、カラー診断情報とする処理と、
によって生成されることを特徴とする、
請求項２または３に記載のアイウェア仮想試着システム。 - 前記分類手段において、
前記入力層の入力データとして使用するアイウェアの撮影画像が、当該アイウェアの弦部分の一部又は全部を除去した画像であることを特徴とする、
請求項１乃至４のうち何れか１項に記載のアイウェア仮想試着システム。 - 前記試着画像生成部において、
前記顔データにおける虹彩サイズを基準として、前記顔データと前記試着用データとの寸法比を調整してから、前記顔データと試着用データを合成することを特徴とする、
請求項１乃至５のうち何れか１項に記載のアイウェア仮想試着システム。 - 情報処理装置を用いて構成する、アイウェア選定システムであって、
アイウェア毎に玉型配分情報を蓄積してなる、データベースと、
ユーザの顔データから玉型診断情報を算出する、特徴診断部と、
前記データベースを参照して、前記玉型診断情報に近似する前記玉型配分情報を有するアイウェアを少なくとも１つ以上抽出する、商品絞込部と、
を少なくとも含み、
前記玉型配分情報は、複数の玉型種別を有し、前記アイウェアにおける前記玉型種別の該当性を、前記玉型種別毎に配点した情報であり、
前記玉型診断情報は、前記玉型配分情報と同一構成の玉型種別を有し、前記顔データから求めた特徴量に基づいて、前記玉型種別毎に配点した情報であることを特徴とする、
アイウェア選定システム。 - 前記特徴診断部は、
スタイリストの選定基準を模擬するように玉型毎に個性パラメータが予め設定されており、
ユーザの顔データから算出した複数項目の特徴量のうち任意の項目の特徴量と、前記個性パラメータと、との乗算でもって、玉型毎にスコア値を算出した、玉型用診断スコアを複数求める処理と、
各玉型用診断スコアから、何れか１つの玉型種別のスコア値を抜き出してなる組合せを生成し、当該組合せの中で各スコア値の合算値が最大の組合せを、玉型診断情報とする処理と、を行うことを特徴とする、
請求項７に記載のアイウェア選定システム。 - 情報処理装置を用いて構成する、アイウェア選定システムであって、
アイウェア毎に玉型配分情報およびカラー配分情報を蓄積してなる、データベースと、
ユーザの顔データから玉型診断情報およびカラー診断情報を算出する、特徴診断部と、
前記データベースを参照して、前記玉型診断情報およびカラー診断情報に近似する前記玉型配分情報およびカラー配分情報を有するアイウェアを少なくとも１つ以上抽出する、商品絞込部と、
を少なくとも含み、
前記玉型配分情報は、複数の玉型種別を有し、前記アイウェアにおける前記玉型種別の該当性を、前記玉型種別毎に配点した情報であり、
前記玉型診断情報は、前記玉型配分情報と同一構成の玉型種別を有し、前記顔データから求めた特徴量に基づいて、前記玉型種別毎に配点した情報であり、
前記カラー配分情報は、複数のフレーム色種別を有し、前記アイウェアにおける前記フレーム色種別の該当性を、前記フレーム色種別毎に配点した情報であり、
前記カラー診断情報は、前記カラー配分情報と同一構成のフレーム色種別を有し、前記顔データから求めた特徴量に基づいて、前記フレーム色種別毎に配点した情報であることを特徴とする、
アイウェア選定システム。 - 前記特徴診断部は、
スタイリストの選定基準を模擬するように玉型毎およびカラー毎に個性パラメータが予め設定されており、
ユーザの顔データから算出した複数項目の特徴量のうち任意の項目の特徴量と、前記個性パラメータと、との乗算でもって、玉型毎にスコア値を算出した玉型用診断スコアと、フレーム色毎にスコア値を算出したカラー用診断スコアと、をそれぞれ複数求める処理と、
各玉型用診断スコアから、何れか１つの玉型種別のスコア値を抜き出してなる組合せを生成し、当該組合せの中で各スコア値の合算値が最大の組合せを、玉型診断情報とする処理と、
各カラー用診断スコアから、何れか１つのフレーム色種別のスコア値を抜き出してなる組合せを生成し、当該組合せの中で各スコア値の合算値が最大の組合せを、カラー診断情報とする処理と、を行うことを特徴とする、
請求項９に記載のアイウェア選定システム。 - 情報処理装置を用いて構成する、アイウェア試着システムであって、
データベースから手動又は自動で選択されたアイウェアの試着用データをユーザの顔データに合成してなる、試着画像を生成し、当該試着画像と保存ボタンとを画面表示する機能を有する、試着画像生成部と、
ユーザによる前記保存ボタンの選択によって、画面表示した前記試着画像を保存する機能を有する、試着画像保存部と、
前記試着画像保存部で保存された複数の前記試着画像から少なくとも二つ以上の試着画像のサムネイルを画面上に一覧表示しつつ、前記一覧表示されたサムネイルの中からユーザが選択したサムネイルに係る試着画像と、当該試着画像に係るアイウェアを購入可能な画面へと遷移するリンクボタンを表示してなる、一覧表示画面を生成する、試着画像一覧表示部と、
を少なくとも含んでなることを特徴とする、
アイウェア試着システム。 - 情報処理装置を用いて構成する、アイウェア分類システムであって、
入力層と出力層とを備え、前記入力層の入力データをアイウェアの撮影画像とし、前記出力層の出力データを当該アイウェアの玉型情報とする、ニューラルネットワークと、
前記入力データ及び前記出力データの実績値を教師データとして前記ニューラルネットワークを学習させる、機械学習部と、
前記機械学習部にて学習させたニューラルネットワークに、アイウェア画像を入力し、当該アイウェア画像に対する、玉型の種別毎の推定情報からなる玉型配分情報を求める、推定部と、
を少なくとも含んでなることを特徴とする、
アイウェア分類システム。 - 情報処理装置を用いて構成する、アイウェア分類システムにおいて、
入力層と出力層とを備え、前記入力層の入力データをアイウェアの撮影画像とし、前記出力層の出力データを当該アイウェアの玉型情報およびフレーム色情報とする、ニューラルネットワークと、
前記入力データ及び前記出力データの実績値を教師データとして前記ニューラルネットワークを学習させる、機械学習部と、
前記機械学習部にて学習させたニューラルネットワークに、アイウェア画像を入力し、当該アイウェア画像に対する、玉型の種別毎の推定情報からなる玉型配分情報、およびフレーム色の種別毎の推定情報からなるカラー配分情報を求める、推定部と、
を少なくとも含んでなることを特徴とする、
アイウェア分類システム。 - 前記入力層の入力データとして使用するアイウェアの撮影画像が、当該アイウェアの弦の一部又は全部を除去した画像であることを特徴とする、
請求項１２または１３に記載のアイウェア分類システム。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2021192164A JP7095849B1 (ja) | 2021-11-26 | 2021-11-26 | アイウェア仮想試着システム、アイウェア選定システム、アイウェア試着システムおよびアイウェア分類システム |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2021192164A JP7095849B1 (ja) | 2021-11-26 | 2021-11-26 | アイウェア仮想試着システム、アイウェア選定システム、アイウェア試着システムおよびアイウェア分類システム |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP7095849B1 true JP7095849B1 (ja) | 2022-07-05 |
| JP2023078857A JP2023078857A (ja) | 2023-06-07 |
Family
ID=82308105
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2021192164A Active JP7095849B1 (ja) | 2021-11-26 | 2021-11-26 | アイウェア仮想試着システム、アイウェア選定システム、アイウェア試着システムおよびアイウェア分類システム |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP7095849B1 (ja) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113592592A (zh) * | 2021-07-28 | 2021-11-02 | 严沛熙 | 生成眼镜框试戴效果图的方法及眼镜框虚拟试戴系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180268458A1 (en) | 2015-01-05 | 2018-09-20 | Valorbec Limited Partnership | Automated recommendation and virtualization systems and methods for e-commerce |
| JP2019102068A (ja) | 2017-11-29 | 2019-06-24 | ディット・テクノロジーズ・インコーポレーテッドＤｉｔｔｏ Ｔｅｃｈｎｏｌｏｇｉｅｓ Ｉｎｃｏｒｐｏｒａｔｅｄ | ユーザの身体的特徴に基づいた推薦システム |
| US20210065285A1 (en) | 2019-08-26 | 2021-03-04 | Jand, Inc. | Virtual fitting systems and methods for spectacles |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AU2003217528A1 (en) * | 2002-03-26 | 2003-10-08 | So-Woon Kim | System and method for 3-dimension simulation of glasses |
| CN108537628B (zh) * | 2013-08-22 | 2022-02-01 | 贝斯普客公司 | 用于创造定制产品的方法和系统 |
| CN105469072B (zh) * | 2015-12-14 | 2019-05-31 | 依视路国际公司 | 一种评估眼镜佩戴者和其所佩戴眼镜搭配度的方法和系统 |
| CN109544262A (zh) * | 2018-09-30 | 2019-03-29 | 百度在线网络技术（北京）有限公司 | 物品推荐方法、装置、电子设备、系统及可读存储介质 |
| US10825260B2 (en) * | 2019-01-04 | 2020-11-03 | Jand, Inc. | Virtual try-on systems and methods for spectacles |
-
2021
- 2021-11-26 JP JP2021192164A patent/JP7095849B1/ja active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180268458A1 (en) | 2015-01-05 | 2018-09-20 | Valorbec Limited Partnership | Automated recommendation and virtualization systems and methods for e-commerce |
| JP2019102068A (ja) | 2017-11-29 | 2019-06-24 | ディット・テクノロジーズ・インコーポレーテッドＤｉｔｔｏ Ｔｅｃｈｎｏｌｏｇｉｅｓ Ｉｎｃｏｒｐｏｒａｔｅｄ | ユーザの身体的特徴に基づいた推薦システム |
| US20210065285A1 (en) | 2019-08-26 | 2021-03-04 | Jand, Inc. | Virtual fitting systems and methods for spectacles |
Non-Patent Citations (2)
| Title |
|---|
| Davide Marelli，A Web Application for Glasses Virtual Try-on in 3D Space，2019 IEEE 23rd International Symposium on Consumer Technologies，米国，Institute of Electrical and Electronics Engineers，2019年06月19日，299～303ページ，[令和4年3月7日検索], インターネット<https://ieeexplore.ieee.org/document/8900979>，DOI: 10.1109/ISCE.2019.8900979 |
| 株式会社 ジンズ，女性を美しく見せるメガネ「beaute」，[online]，日本，株式会社 ジンズ，2019年07月11日，[令和4年3月7日検索], インターネット<https://www.jins.com/jp/client_info/JINSJINS/infoimage/IR_20190711_beaute×ハーソナルカラー診断_fin%20.pdf> |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113592592A (zh) * | 2021-07-28 | 2021-11-02 | 严沛熙 | 生成眼镜框试戴效果图的方法及眼镜框虚拟试戴系统 |
| CN113592592B (zh) * | 2021-07-28 | 2023-11-07 | 严沛熙 | 生成眼镜框试戴效果图的方法及眼镜框虚拟试戴系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| JP2023078857A (ja) | 2023-06-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11157985B2 (en) | Recommendation system, method and computer program product based on a user's physical features | |
| CN101779218B (zh) | 化妆模拟系统及其化妆模拟方法 | |
| Laurentini et al. | Computer analysis of face beauty: A survey | |
| CN109310196B (zh) | 化妆辅助装置以及化妆辅助方法 | |
| US20170169501A1 (en) | Method and system for evaluating fitness between wearer and eyeglasses | |
| CN103945104B (zh) | 信息处理方法及电子设备 | |
| CN104951770B (zh) | 人脸图像数据库的构建方法、应用方法及相应装置 | |
| CN110110671B (zh) | 一种性格分析方法、装置及电子设备 | |
| JP2014211719A (ja) | 情報処理装置およびその方法 | |
| TWI780919B (zh) | 人臉影像的處理方法、裝置、電子設備及儲存媒體 | |
| CN110210449A (zh) | 一种用于虚拟现实交友的人脸识别系统及方法 | |
| JP7095849B1 (ja) | アイウェア仮想試着システム、アイウェア選定システム、アイウェア試着システムおよびアイウェア分類システム | |
| JP2016081075A (ja) | 印象改善方法及び印象改善支援装置 | |
| CN110135391A (zh) | 使用计算机选配眼镜框的程序和眼镜框选配系统 | |
| TWI471807B (zh) | Face classification method, face classification device, classification chart, face classification program and recorded the program of the recording media | |
| KR102087211B1 (ko) | 개인의 특장점을 반영한 맞춤형 메이크업 진단 서비스 제공 시스템 | |
| JP5782540B2 (ja) | 美容カウンセリング方法 | |
| JP4893968B2 (ja) | 顔画像の合成方法 | |
| KR20210099844A (ko) | 성형 큐레이션 서비스 방법 | |
| JP6320844B2 (ja) | パーツの影響度に基づいて感情を推定する装置、プログラム及び方法 | |
| CN108292418B (zh) | 信息提供装置及信息提供方法 | |
| Leta et al. | A study of the facial aging-a multidisciplinary approach | |
| US20240265533A1 (en) | Computer-based body part analysis methods and systems | |
| CN110866970B (zh) | 一种通过面部关键点识别实现重建配镜的系统及方法 | |
| Jayasinghe et al. | Matching facial images using age related morphing changes |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20211129 |
|
| A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20211129 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220322 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220510 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20220531 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220610 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 7095849 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |